約 19,927 件
https://w.atwiki.jp/echoes140/pages/101.html
これから定期集会を開いていこうと思います。 主に月一くらいのペースで開催しようと思っています。 場所は主に立川で集会を開いています。 内容に関しては、お昼頃から集まってきて夜ご飯食べながら交流を深めていこうかなーと！ 立川には複数ゲーセンが有り、またそれぞれがそれなりの規模なので上手く分散できると思います。 第３回の日程は未定です。 もしかしたら10月になるかもしれんません。 よろしくお願いしマース！
https://w.atwiki.jp/masahase/pages/21.html
目的 概要 データ構成SS管理用SS本体 シリーズ 既読管理用 タグ管理用 目的 既読管理 サイト消滅による作品消滅の防止 負荷分散 GAEのテスト 概要 ネットに公開されているSSの既読管理を行う。ついでにミラーリングを行う。 データ構成 SS管理用 SS本体 題名 作者 元URL 本文 シリーズ シリーズ 題名 元URL タグリスト 既読管理用 ユーザーID SS本体への参照 既読フラグ タグ管理用 タグ名 親タグへの参照
https://w.atwiki.jp/sevenlives/pages/868.html
ワークグループ 読み：わーくぐるーぷ 英語：workgroup 別名： 意味： ワークグループとはWindowsが持つ、小規模で簡易な分散共有型のネットワーク・グループのこと。 クライアントはワークグループ名に登録するだけでメンバーにローカル・ディスク?のファイルやプリンタ?などのリソースを相互に共有できるようになる。 2007年12月20日 Windows ワークグループ・ネットワーク ドメイン・ネットワーク ワークグループ名?
https://w.atwiki.jp/dya3d2/pages/33.html
test - 名無しさん (2024-03-31 17 03 20) こんにちは - 名無しさん (2024-03-31 19 48 58) ちんたら投げるな。テンポよく投げろゴミども - 毛沢東 (2024-03-31 20 38 51) ↑１ そういうのが良くないんじゃなかったんじゃないですか - 名無しさん (2024-03-31 20 43 46) もうwikiというシステムは使わない方がいいかもな。 - 名無しさん (2024-03-31 21 00 03) Wikiの運用と関係ないコメントは雑談部屋でお願いします。 - 管理人 (2024-03-31 21 11 43) ここの管理人は、移行前のwikiと管理人一緒ですか? - あ (2024-04-01 19 19 12) もし一緒であれば再びメンバー申請したいです。メンバー限定の編集であればメンバーも絞った方がいいと思います。 - あ (2024-04-01 19 20 33) ↑2 違います。 - 管理人 (2024-04-01 20 59 20) ミラーサイトいらないだろ、人が分散するし特に理由がないなら閉鎖した方がいい - 名無しさん (2024-04-02 08 19 30) ミラーサイトいらないだろ、人が分散するし特に理由がないなら閉鎖した方がいい - 名無しさん (2024-04-02 08 19 49) 連投すまん - 名無しさん (2024-04-02 08 20 03) 向こうに荒らしがいない状態の時に編集もできないこっち使う人いないでしょ - 名無しさん (2024-04-02 17 16 03) こっちに移住で良くない？もう - 名無しさん (2024-04-06 22 27 15) どうせこのミラーもいつか荒らされる - 名無しさん (2024-04-06 22 33 24) こっちはまだ管理人生きてるから荒らし対策ができる - 名無しさん (2024-04-06 22 43 55) よろしく - い (2024-04-08 12 28 39) よろしく - SOTA (2024-04-08 19 27 47) ミラーサイトいらなくない？ - SOTA (2024-04-10 19 28 02) いらねえよ - 名無しさん (2024-04-12 02 17 29)
https://w.atwiki.jp/dsds/pages/55.html
アクションデュエルのコンボと、効果をまとめています。 ハイパーリール＝黄色 ノーマルリール＝赤 第11弾よりバトルフェイズの方式が変化 10弾以前のコンボと効果が変わっているものもあるので注意 俺達の絆 ヴィクトリー・オブ・ジャッジメント インヴェルズ「インヴェルズ闇波動」 リチュア「リチュアの儀式解」 ガスタ「ガスタの向い風」 ジェムナイト「ジェムの煌」 ラヴァル「ラヴァルの炎獄」 ヴァイロン「ヴァイロンの裁き」 ネオフレムベル「真・フレムベルバーニング」 A・ジェネクス「Ａ・マルチプルエネルギー」 魔轟神獣「神獣の戯れ！」 ドラグニティ「ドラグニティ・ブラスト！！」 魔轟神「復活の代償」 ジュラック「ジュラック紀到来」 ナチュル「ナチュルの森のさえずり」 ジェネクス「ジェネクス・オーバークロック」 氷結界「氷結界ブリザード」 ワーム「ワーム大侵略」 霞の谷「霞の谷(ミスト・バレー)の追い風」 A・O・J「Ａ・Ｏ・Ｊ分散エネルギー」 フレムベル「フレムベルバーニング」 Ｘ－セイバー「セイバーコンビネーション」 俺達の絆 条件：「スターダスト・ドラゴン」、「レッド・デーモンズ・ドラゴン」、「ブラック・ローズ・ドラゴン」、「パワー・ツール・ドラゴン」、「エンシェント・フェアリー・ドラゴン」の内3枚をスキャン ノーマルリールが消滅しハイパーリールが5箇所になる ヴィクトリー・オブ・ジャッジメント 条件：LE16収録の「Ａ・ジェネクス・ドゥルダーク」、「魔轟神獣ルビィラーダ」、「ドラグニティナイト-ヴァジュランダ」をスキャン バーがＶの形になる（太くなる、ジュラック紀到来より少し太い？） インヴェルズ「インヴェルズ闇波動」 条件：インヴェルズと名の付くモンスターを3体スキャンする 1回目のアクションリールは狭く、バーを止めた位置のリールが太くなる リチュア「リチュアの儀式解」 条件：リチュアと名の付くモンスターを3体スキャンする アクションリールが左右に分かれて段々と中央に集まってゆく ガスタ「ガスタの向い風」 条件：ガスタと名の付くモンスターを3体スキャンする アクションバーがランダムでゆっくりと動くようになる ジェムナイト「ジェムの煌」 条件：ジェムと名の付くモンスターを3体スキャンする バーを止めた位置によってバーの本数が変化する ラヴァル「ラヴァルの炎獄」 条件：ラヴァルと名の付くモンスターを3体スキャンする バーを止めた位置によってリールの種類が変化する ヴァイロン「ヴァイロンの裁き」 条件：ヴァイロンと名の付くモンスターを3体スキャンする バーを止めた位置によってバーの太さが変化する ネオフレムベル「真・フレムベルバーニング」 条件：ネオフレムベルと名の付くモンスターを3体スキャンする ミスリールがノーマルリールになりバーが太くなる A・ジェネクス「Ａ・マルチプルエネルギー」 条件：A・ジェネクスと名の付くモンスターを3体スキャンする アクションバーの動きが遅くなる 魔轟神獣「神獣の戯れ！」 条件：魔轟神獣と名の付くモンスターを3体スキャンする ミスするとハイパーリールが太くなる ドラグニティ「ドラグニティ・ブラスト！！」 条件：ドラグニティと名の付くモンスターを3体スキャンする ノーマルリールとハイパーリールが左右に分散（ただし両端はミスリール） 魔轟神「復活の代償」 条件：魔轟神と名の付くモンスターを3体スキャンする ノーマルリールが無くなりハイパーリールが広くなる ジュラック「ジュラック紀到来」 条件：ジュラックと名の付くモンスターを3体スキャンする バーが太くなる ナチュル「ナチュルの森のさえずり」 条件：ナチュルと名の付くモンスターを3体スキャンする バーが遅くなる ジェネクス「ジェネクス・オーバークロック」 条件：ジェネクスと名の付くモンスターを3体スキャンする アクションをする毎にバーが1本増加 氷結界「氷結界ブリザード」 条件：氷結界と名の付くモンスターを3体スキャンする バーが3本に ワーム「ワーム大侵略」 条件：ワームの名の付くモンスターを3体スキャンする ノーマルとハイパーのリールが入れ替わる 霞の谷「霞の谷(ミスト・バレー)の追い風」 条件：霞の谷と名の付くモンスターを3体スキャンする 1回のミスならやり直し可能 A・O・J「Ａ・Ｏ・Ｊ分散エネルギー」 条件：A・O・Jと名の付くモンスターを3体スキャンする 後半になるとバーが太くなる フレムベル「フレムベルバーニング」 条件：フレムベルと名の付くモンスターを3体スキャンする ミスのゾーンが全てノーマルリールになる Ｘ－セイバー「セイバーコンビネーション」 条件：セイバーと名の付くモンスターを3体スキャンする ハイパーリールが狭くならない
https://w.atwiki.jp/gcmatome/pages/3341.html
Neorude ～刻まれた紋章～ 【ねおりゅーど きざまれたもんしょう】 ジャンル リーディングRPG 裏を見る 対応機種 プレイステーション 発売・開発元 テクノソフト 発売日 1999年12月16日 定価 5,800円 レーティング CERO A(全年齢対象)※ゲームアーカイブスで付加 配信 ゲームアーカイブス 2016年11月22日/617円(税8％込) 判定 良作 NeorudeシリーズNeorude - Neorude2 - Neorude ～刻まれた紋章～ 概要 ストーリー 特徴 評価点 賛否両論点 問題点 総評 概要 マウスのクリック操作に近い操作を駆使してダンジョンを踏破していく「リーディングRPG」、ネオリュードシリーズの第三作。 物語は2の数年後のアルファーウの街を舞台としているため、前作や前々作に登場した人物のほとんどが続投している。(*1) まさしくネオリュードシリーズの集大成である。 ストーリー 大陸船が激しい雷雨と強風の中をつっきっていく。やがて船に雷が直撃し、不時着を余儀なくされる。 その船に乗っていたのは空賊リムファイアとその一味、そして乗客として乗せたユグドラシルという謎の青年と4人の子供たちであった。 彼らが墜ちたのはアルファーウの街の傍にある六花の迷宮。 ちょうど街で雑貨屋を営む少女シィールが商品の仕入れのためにそこへやってきていた。 シィールは大陸船の修理が終わるまでの間、労働を条件に彼らを自分の家に招くことを決める。 同じ頃、別の場所、闇の中から男たちの声がする。 「奴が逃げた、奴を追え」 その声に応えて、フェンリルと名乗る少年が、追跡者として名乗りを上げた。 特徴 1、2はのんびり屋の戦士ティル、勝気な魔法使いアリア、クールな盗賊ルーフレインの3人の冒険であったが、この作品では1のライバルキャラであるリムファイア、2のヒロインであるシィール、謎の青年ユグドラシルの三人が冒険を繰り広げる。 + パーティキャラクター リムファイア・フォン・カルネアデス 大陸船を駆る女空賊。実は南の船団国家カルネアデスの宗主の娘。 高飛車で強引な性格だが、なかなかに情の深いところもある。 ユグドラシルを大陸船に乗せたことから、今回の冒険に巻き込まれてしまう。 空賊だけあって鍵開けやトラップ解除、盗みなど前作のルーフレインポジションとして活躍する。また高い所に登るのが得意。 戦闘では銃使いだけあって広範囲の必殺技やステータス異常を付加する技が豊富にあり、円滑な戦闘に欠かせない。 シィール 気がついたらシィールとだけ呼ばれていた。 アルファーウの街で雑貨屋を営んでいる少女。 一見しっかり者だが、どこかずれて天然ボケな部分があり、その行動は時として周囲の人を驚かせる。 やがて彼女の過去が物語の重要なカギとなるのだが、本人には過去の記憶がない。 雑貨屋であることを生かしアイテムを駆使した謎解きで活躍するが、それ以外だと力技の傾向が強く、鍵のかかった宝箱を蹴り開けたり氷壁を爆破したりする。パーティーの中で一番小柄であるため狭い穴を潜り抜けられる。 戦闘ではか弱いが道具を駆使した回復が強力であるためプレイヤーが操作する機会が一番多い。 ユグドラシル リムファイアの操縦する大陸船に乗っていた青年。 彼は、ある特殊な「病」にかかった子供たちを連れ、その治療のために旅を続けているという。 やがて、彼の背後に見え隠れすることになる赤い瞳の戦士の姿など、まだまだ秘密のありそうな謎の多い人物。 戦士だが、魔法文字を解読でき、高い知識を持つ。戦闘では魔法を使わないが魔法の鍵を開けられる。 溜めでスキルゲージを高速で上昇させられるため戦闘では攻撃の要として活躍する。 調べられるものによってキャラクター次第でその反応や用い方が変わってくるのは他のシリーズと同様だが、魔法使いがいない、知識担当が戦士であるユグドラシルなどキャラクターが変わったことでその対処に若干癖がついている。 またリムファイアの挑発やシィールのアイテム拾い、ユグドラシルの溜めなど戦闘中のコマンドもそのキャラでしかできない行動が増えており、より戦術やチームワークが大切になってきている。 分散システムが登場。これによってパーティーを分割して行動することができ、複数個所の仕掛けを同時に発動させたり、特定の場所に入れるキャラクターを単独行動させて仕掛けを解いたりなど新たな謎解きの解決手段が登場した。 2に登場したハーミア屋やガラクタ屋なども健在。やり込み要素の充実に一役買ってくれる。 評価点 従来シリーズ譲りのダンジョン探索の奥深さ。 グラフィックや演出面が若干向上しているのと、テキストの量も増えていることからダンジョンの各所を調べたり、キャラを変えて同じNPCに何度も話しかけたりしたくなる。 分散システムによって新たなタイプの仕掛けが増えているのも好感が持てる。分散中は戦闘で不利になるが、分散が必要な場所はモンスターと遭遇しにくいように配慮されている。 演出面の向上。 今の時代から見ると古臭いポリゴンのキャラクターたちだが、その挙動は2以上に細かく、台詞だけでなく動きから感情が推し量れるレベルでよく動く。 カメラワークの切り替えやズームなどもよく取り入れてあり、イベントシーンはなかなか見ごたえがある。 キャラクターの挙動がより細かくなったことによりキャラクターごとの個性もさらに深まっている。ツッコミを入れて相手をどつき倒す、尻もちをついて弱り顔になる、など動きや表情が生き生きしている。 しっかり者であるが天然行動を連発するシィールは特に可愛らしい。 ユグドラシルの連れた子供たちや、リムファイアの子分たち、追跡者フェンリル、街の人々などNPCたちも様々な表情を見せてイベントを盛り立ててくれる。 相変わらず出来のいい音楽。 コンポーザーは九十九氏ではないが、神秘的な曲が多くダンジョン探索の雰囲気を見事に盛り立ててくれる。 ストーリーも「信じることの大切さ」というテーマをよく表現しており、1や2の内容を包括するような設定や前述の演出力の向上から2に負けず劣らず素晴らしい。 伏線も丁寧に張られている。前作以前を遊んだプレイヤーならより納得するだろう。 ただ、2の敵であるラグナレクも登場しているのだが、モブの一人のような扱いをされているのが残念なところ。 カメラワークはキャラを中心に部屋の重要な部分を映すように練られたため1や2のようにカメラを切り替える手間がなくなった。 戦闘面では戦闘後のボーナス経験値を入手しやすくなったため、敵とのレベル差があっても経験値を得られることが多くなった。 賛否両論点 ラストダンジョンは広大な割にギミックが少ない。 もっとも急いで最深部へ向かわなくてはならない状況であるためテンポがよい、シナリオの熱が冷めにくいともいえる。 やはり操作性は癖が強い。 リーディングRPGというコンセプトである以上シリーズのアイデンティティーともいえるが。 戦闘面ではやれることが多くなったために行動指示のアイコンが小さくなり、この操作に慣れるまでは思い通りに指示ができない。 問題点 カメラワークを切り替える□ボタンが分散システムに割り当てられてしまったためか、戦闘中に技をかける対象を選ぶのが困難になってしまった。 前作以前ではキャラクターが重複するなどで技をかける対象が選びにくい時はカメラワークを切り替えることで対処できたのだがそれができなくなった。 やっぱりボリュームが少ない。 シナリオは手堅くまとまっているのだが、10時間以内でクリアできてしまう。 総評 ネオリュードシリーズ最終作に相応しい出来のゲーム。シリーズの欠点も引き継いでしまっているが、丁寧に造られた世界観やダンジョン、温かみのあるストーリーなども健在。 舞台やキャラクターの多くが前作以前にも登場していることもあって1や2を気に入ったプレイヤーなら十分にこの作品を堪能できるだろう。
https://w.atwiki.jp/r-intro/pages/30.html
目次 目次 最小二乗法による回帰直線の傾き、切片、決定係数、自由度調整済み決定係数を求める（pp.96-108） 推定した回帰モデルのパラメーターの分散と標準誤差（p.171） 単回帰モデルにおけるt分布による傾きの仮説検定（両側検定、片側検定）を行う（pp.178-180） 単回帰モデルにおけるt分布による切片の仮説検定（両側検定）を行う（p.181） 単回帰モデルにおける回帰係数のp値を求める（p.181） 重回帰モデルにおけるt検定（pp.185-188） 重回帰モデルにおける仮説検定（pp.205-206） 異常値を含むダミー変数を用いた回帰直線の推定（pp.226-227） グループに対するダミー変数（性別）（pp.231-232） 最小二乗法による回帰直線の傾き、切片、決定係数、自由度調整済み決定係数を求める（pp.96-108） データは以下のとおり（p.97）。xxiは説明変数、yyiは目的変数（被説明変数）。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 i, xxi, yyi 1, 2, 3 2, 4, 5 3, 6, 6 4, 8, 10 以下、計算。 dtf - read.csv("table3_2.csv", header = TRUE) xxi - dtf$xxi yyi - dtf$yyi n - length(xxi) ssxy - sum((xxi - mean(xxi)) * (yyi - mean(yyi))) ssxx - sum((xxi - mean(xxi)) ^ 2) b - ssxy / ssxx xxm - mean(xxi) yym - mean(yyi) a - yym - b * xxm yyei - a + b * xxi ui - yyi - yyei ssu2 - sum(ui ^ 2) ssyy - sum((yyi - yym) ^ 2) ssyeye - sum((yyei - yym) ^ 2) rr2 - ssyeye / ssyy sig2 - ssu2 / (n - 2) sy2 - ssyy / (n - 1) arr2 - 1 - sig2 / sy2 cat(sprintf("傾き β=%.2f\n", b)) 傾き β=1.10 cat(sprintf("切片 α=%.2f\n", a)) 切片 α=0.50 cat(sprintf("決定係数 R^2=%.3f\n", rr2)) 決定係数 R^2=0.931 cat(sprintf("自由度調整済み決定係数 adj.R^2=%.3f\n", arr2)) 自由度調整済み決定係数 adj.R^2=0.896 推定した回帰モデルのパラメーターの分散と標準誤差（p.171） データはp.97に掲載されている（表示省略）。xxiは説明変数、yyiは目的変数（被説明変数）。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 dtf - read.csv("table3_2.csv", header = TRUE) n - nrow(dtf) k - 2 xxm - mean(dtf$xxi) yym - mean(dtf$yyi) ssxy - sum((dtf$xxi - xxm) * (dtf$yyi - yym)) ssxx - sum((dtf$xxi - xxm) ^ 2) bh - ssxy / ssxx ah - yym - bh * xxm yyhi - ah + bh * dtf$xxi ui - dtf$yyi - yyhi sh2 - sum(ui ^ 2) / (n - k) sbh2 - sh2 / ssxx sbh - sqrt(sbh2) sah2 - sh2 * sum(dtf$xxi ^ 2) / (n * ssxx) sah - sqrt(sah2) # β^の分散 print(sbh2) [1] 0.045 # β^の標準誤差 print(sbh) [1] 0.212132 # α^の分散 print(sah2) [1] 1.35 # α^の標準誤差 print(sah) [1] 1.161895 単回帰モデルにおけるt分布による傾きの仮説検定（両側検定、片側検定）を行う（pp.178-180） データは以下のとおり（p.97）。xxiは説明変数、yyiは目的変数（被説明変数）。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 i, xxi, yyi 1, 2, 3 2, 4, 5 3, 6, 6 4, 8, 10 以下、計算。 dtf - read.csv("table3_2.csv", header = TRUE) xxi - dtf$xxi yyi - dtf$yyi n - nrow(dtf) k - 2 degf - n - k mxy - matrix(yyi, ncol = 1) mxxx - matrix(c(rep(1.0, n), xxi), ncol = 2) mxb - solve(t(mxxx) %*% mxxx) %*% t(mxxx) %*% mxy b - as.vector(mxb) yyhi - mxxx %*% mxb ssu2 - sum((yyi - yyhi) ^ 2) sh2 - ssu2 / (n - k) ssxx - sum((xxi - mean(xxi)) ^ 2) sb2 - sh2 / ssxx sb - sqrt(sb2) tb - b[2] / sb cat(sprintf("残差分散 σ^2 = %.1f\n", sh2)) 残差分散 σ^2 = 0.9 cat(sprintf("βの推定値の分散 sb^2 = %.3f\n", sb2)) βの推定値の分散 sb^2 = 0.045 cat(sprintf("βの推定値の標準誤差 sβ = %.5f\n", sb)) βの推定値の標準誤差 sβ = 0.21213 cat(sprintf("βの推定値のt値 tβ = %.3f\n", tb)) βの推定値のt値 tβ = 5.185 cat(sprintf("両側検定 t0.05(2) = %.3f\n", abs(qt(0.05 / 2, n - k)))) 両側検定 t0.05(2) = 4.303 cat(sprintf("片側検定 t0.05(2) = %.3f\n", qt(0.05, n - k, lower.tail = FALSE))) 片側検定 t0.05(2) = 2.920 単回帰モデルにおけるt分布による切片の仮説検定（両側検定）を行う（p.181） データは以下のとおり（p.97）。xxiは説明変数、yyiは目的変数（被説明変数）。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 i, xxi, yyi 1, 2, 3 2, 4, 5 3, 6, 6 4, 8, 10 以下、計算。 dtf - read.csv("table3_2.csv", header = TRUE) xxi - dtf$xxi yyi - dtf$yyi n - nrow(dtf) k - 2 degf - n - k mxy - matrix(yyi, ncol = 1) mxxx - matrix(c(rep(1.0, n), xxi), ncol = 2) mxb - solve(t(mxxx) %*% mxxx) %*% t(mxxx) %*% mxy b - as.vector(mxb) yyhi - mxxx %*% mxb ssu2 - sum((yyi - yyhi) ^ 2) sh2 - ssu2 / (n - k) ssxx - sum((xxi - mean(xxi)) ^ 2) sa2 - sh2 * sum(xxi ^ 2) / (n * ssxx) sa - sqrt(sa2) ta - b[1] / sa cat(sprintf("残差分散 σ^2 = %.1f\n", sh2)) 残差分散 σ^2 = 0.9 cat(sprintf("αの推定値の分散 sa^2 = %.2f\n", sa2)) αの推定値の分散 sa^2 = 1.35 cat(sprintf("αの推定値の標準誤差 sα = %.5f\n", sa)) αの推定値の標準誤差 sα = 1.16190 cat(sprintf("αの推定値のt値 tα = %.3f\n", ta)) αの推定値のt値 tα = 0.430 cat(sprintf("両側検定 t0.05(2) = %.3f\n", abs(qt(0.05 / 2, n - k)))) 両側検定 t0.05(2) = 4.303 単回帰モデルにおける回帰係数のp値を求める（p.181） データは以下のとおり（p.97）。xxiは説明変数、yyiは目的変数（被説明変数）。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 i, xxi, yyi 1, 2, 3 2, 4, 5 3, 6, 6 4, 8, 10 以下、計算。 dtf - read.csv("table3_2.csv", header = TRUE) xxi - dtf$xxi yyi - dtf$yyi n - nrow(dtf) k - 2 degf - n - k mxy - matrix(yyi, ncol = 1) mxxx - matrix(c(rep(1.0, n), xxi), ncol = 2) mxb - solve(t(mxxx) %*% mxxx) %*% t(mxxx) %*% mxy b - as.vector(mxb) yyhi - mxxx %*% mxb sssse - sum((yyi - yyhi) ^ 2) sh2 - sssse / degf mxcc - sh2 * solve(t(mxxx) %*% mxxx) seb - sqrt(diag(mxcc)) tb - b / seb pb - 2 * pt(abs(tb), degf, lower.tail = FALSE) rr2 - sum((yyhi - mean(yyi)) ^ 2) / sum((yyi - mean(yyi)) ^ 2) arr2 - 1 - (sssse / (n - k)) / (sum((yyi - mean(yyi)) ^ 2) / (n - 1)) cat(sprintf("回帰式 Y^i = %.1f + %.1f Xi\n", b[1], b[2])) 回帰式 Y^i = 0.5 + 1.1 Xi cat(sprintf(" (%.3f) (%.3f)\n", tb[1], tb[2])) (0.430) (5.185) cat(sprintf("αの推定値の t値 tα = %.3f\n", tb[1])) αの推定値の t値 tα = 0.430 cat(sprintf("αの推定値の p値 pα = %.3f\n", pb[1])) αの推定値の p値 pα = 0.709 cat(sprintf("βの推定値の t値 tβ = %.3f\n", tb[2])) βの推定値の t値 tβ = 5.185 cat(sprintf("βの推定値の p値 pβ = %.3f\n", pb[2])) βの推定値の p値 pβ = 0.035 重回帰モデルにおけるt検定（pp.185-188） 以下の表4.5（p.186）の値をCSV形式で入力したtable4_5.csvを、カレントディレクトリに置いておく。 i, xx2i, xx3i, yyi 1, 2, 26, 3 2, 4, 5, 5 3, 6, 21, 6 4, 8, 8, 10 5, 10, 20, 11 計算する。 dtf - read.csv("table4_5.csv", header = TRUE) xx2i - dtf$xx2i xx3i - dtf$xx3i yyi - dtf$yyi kk - 3 n - nrow(dtf) degf - n - kk qv - 0.05 tv - qt(1 - 0.05 / 2, 2) r - lm(yyi ~ 1 + xx2i + xx3i) bhk - as.vector(r$coefficient) sh2 - sum(r$residuals ^ 2) / degf sk2 - sk - tk - double(kk) xx2m - mean(xx2i) xx3m - mean(xx3i) ss22 - sum((xx2i - xx2m) * (xx2i - xx2m)) ss23 - sum((xx2i - xx2m) * (xx3i - xx3m)) ss33 - sum((xx3i - xx3m) * (xx3i - xx3m)) d1 - xx2m ^ 2 * ss33 - 2 * xx2m * xx3m * ss23 + xx3m ^ 2 * ss22 d2 - ss22 * ss33 - ss23 ^ 2 sk2[1] - sh2 * (1 / n + d1 / d2) sk2[2] - sh2 * ss33 / d2 sk2[3] - sh2 * ss22 / d2 sk - sqrt(sk2) tk - bhk / sk # 残差分散 σ^^2 print(sh2) [1] 0.7197232 # 推定値 β^^k の分散 print(sk2) [1] 1.583391003 0.018451538 0.002263992 # 推定値 β^^k の標準誤差 print(sk) [1] 1.25832865 0.13583644 0.04758143 # 推定値 β^^k のt値 print(tk) [1] 1.1219364 7.6037916 -0.7999399 重回帰モデルにおける仮説検定（pp.205-206） yyi - c(3, 6, 8, 12, 11) xx2i - c(2, 4, 6, 8, 10) xx3i - c(1, 1, 2, 2, 4) n - length(yyi) kk - 3 mxy - matrix(yyi, ncol = 1) mxxx - as.matrix(data.frame(rep(1, n), xx2i, xx3i)) mxxxtxxi - solve(t(mxxx) %*% mxxx) mxbh - mxxxtxxi %*% t(mxxx) %*% mxy bhk - as.vector(mxbh) mxyh - mxxx %*% mxbh ui - as.vector(mxy - mxyh) sh2 - sum(ui ^ 2) / (n - kk) sk2 - as.vector(diag(sh2 * mxxxtxxi)) sk - sqrt(sk2) tk - bhk / sk print(n - kk) # 自由度 [1] 2 print(sh2) # 残差分散 [1] 0.1818182 print(sk) # 推定した回帰モデルのパラメーターの標準誤差 [1] 0.4490578 0.1574592 0.4065578 print(tk) # t値 [1] 2.631773 11.835681 -5.366563 異常値を含むダミー変数を用いた回帰直線の推定（pp.226-227） dtf - read.csv("table5_1.csv", header = TRUE) n - nrow(dtf) xxi - dtf$xxi ddi - dtf$ddi yyi - dtf$yyi k - 3 mxy - matrix(yyi, ncol = 1) mxxx - matrix(c(rep(1.0, n), xxi, ddi), ncol = 3) mxbh - solve(t(mxxx) %*% mxxx) %*% t(mxxx) %*% mxy mxyh - mxxx %*% mxbh mxu - mxy - mxyh ssy2 - sum(t(mxy) %*% mxy) - sum(yyi) ^ 2 / n ssyh2 - sum(t(mxyh) %*% mxyh) - sum(yyi) ^ 2 / n sse2 - as.vector(t(mxu) %*% mxu) s2 - sse2 / (n - k) s - sqrt(s2) mxvv - s2 * solve(t(mxxx) %*% mxxx) mxs - sqrt(diag(mxvv)) rr2 - ssyh2 / ssy2 tval - as.vector(mxbh) / as.vector(mxs) # 推定された回帰モデルのパラメーター α^,β^,γ^ print(as.vector(mxbh)) [1] 0.5 1.1 15.8 # 決定係数 R^2 print(rr2) [1] 0.9936886 # 各パラメーターの t値 print(tval) [1] 0.4303315 5.1854497 13.8309443 # 図の出力 png("fig5_1.png", width = 512, height = 512) plot(xxi, yyi, asp = 1., type = "n", xlim = c(0, 12), ylim = c(0, 30), xlab = "X", ylab = "Y") x - seq(0, 12, length = 100) lines(x, mxbh[1] + mxbh[2] * x, lty = "solid") lines(x, mxbh[1] + mxbh[2] * x + mxbh[3], lty = "dashed") points(xxi, yyi, pch = 20) dev.off() null device 1 グループに対するダミー変数（性別）（pp.231-232） 以下の表5.4（p.232）の値をCSV形式で入力したtable5_4.csvを、カレントディレクトリに置いておく。 i, sex, xxi, yyi 1, 女性, 255.5, 15.8 2, 女性, 259.7, 16.8 3, 女性, 385.3, 16.4 4, 女性, 286.5, 15.7 5, 女性, 302.1, 16.3 6, 女性, 317.8, 17.4 7, 女性, 321.5, 18.3 8, 女性, 393.0, 17.6 9, 女性, 393.7, 17.4 10, 女性, 289.2, 15.3 11, 男性, 352.2, 9.7 12, 男性, 367.1, 5.2 13, 男性, 276.9, 7.1 14, 男性, 348.4, 9.6 15, 男性, 277.8, 6.9 16, 男性, 386.5, 8.2 17, 男性, 337.7, 7.3 18, 男性, 219.2, 6.6 19, 男性, 330.2, 8.7 20, 男性, 395.8, 10.1 計算する。 dtf - read.csv("table5_4.csv") r - lm(yyi ~ 1 + xxi, dtf, trimws(sex) == "女性") print(r$coefficients) # 女性だけ (Intercept) xxi 13.722088020 0.009293487 r - lm(yyi ~ 1 + xxi, dtf, trimws(sex) == "男性") print(r$coefficients) # 男性だけ (Intercept) xxi 3.5590101 0.0133088 ddi - ifelse(trimws(dtf$sex) == "女性", 1, 0) r - lm(dtf$yyi ~ 1 + dtf$xxi + ddi) print(summary(r)) # 女性と男性 Call lm(formula = dtf$yyi ~ 1 + dtf$xxi + ddi) Residuals Min 1Q Median 3Q Max -3.1720 -0.4944 -0.1475 0.7592 1.5878 Coefficients Estimate Std. Error t value Pr( |t|) (Intercept) 4.19004 1.74965 2.395 0.0284 * dtf$xxi 0.01139 0.00519 2.195 0.0423 * ddi 8.85968 0.53539 16.548 6.45e-12 *** --- Signif. codes 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error 1.193 on 17 degrees of freedom Multiple R-squared 0.9417, Adjusted R-squared 0.9348 F-statistic 137.2 on 2 and 17 DF, p-value 3.234e-11 名前 コメント
https://w.atwiki.jp/overtune4/pages/48.html
ルブース 推奨レベル 77 Lv.68 335000 MP23000 特技 サイクロン ブリザード フリーズランサー アイスニードル アイストーネード フォーリンアイス クラスターレイド フリジットコフィン 秘奥義 グラシアルアワー 魔術をはじめとしたコンボを決めてきます。 防御力が高くガード率が高めです。しかも魔力も高めです。 特にフリジットコフィンは固まっている際に食らってしまうと 大ダメージを受けかねません。 分散して魔術と特技のコンボで秘奥義をやられる前に 倒してしまうのが得策です。
https://w.atwiki.jp/talewiki/pages/9805.html
闇の黒魔導士 Lv180 エフェ無し/Lv190 エフェ有り 編集 attachref ▲ディシーズレイン(分散範囲,?hit,中距離,付加【アンデッド】)▲ヒール(単体,1hit,効果【自己回復】)備考：EMPを消費する攻撃CPエフェクト無…鉄衣の騎士により召喚CPエフェクト有…中ボス(中央の部屋) CPエフェクト無よりも少し強い 「死の雨粒よ、雫れ落ちなさい！」 通常ドロップなしレアドロップなし Lv180/Lv190 失われた記憶の博物館
https://w.atwiki.jp/t-style/pages/13.html
ここを編集 EMアルゴリズム(Expectation-Maximization Algorithm) 確率モデルが観測できない変数（潜在変数/隠れ変数）に依存する場合に最尤法を実施するためのアルゴリズム。非常に多くの応用に使え、変分ベイズ法などの基礎を成すのでとっても大事なアルゴリズム。 推定の流れ このアルゴリズムでは、現在のパラメータ（)と観測変数()から得られる情報を使って、潜在変数()の条件付き確率（）を求めるステップ（E-Step）と、観測変数の事後確率の期待値を最大化するフェーズ（M-Step）の二段階の処理を繰り返しながらパラメータを最適化する。 つまり、尤度関数()の最大化を一発で計算したいところなのだが、それは難しいので、今のを使って計算されるを利用して、尤度関数の期待値()の最大化という問題に置き換えている。実際には、最後の式を2つ目のを構成する各変数について偏微分して0になる値を探すなどを行って更新することになる。 詳細な定式化（間違ってるかも） パラメータを、観測変数を、潜在変数をとする。 目的は、観測変数のパラメータに対する確率の最大化。ところが、潜在変数があるのでの周辺化で置き換えて話を進められるようにする。そこでベイズの公式による式変形を行う。 さて、ここで天下りながら分布を導入する。これは潜在変数の事後分布の近似分布である。式変形のミソは、この分布との間の違い（距離）が現れるように前式を変形していくことである。そこで、まず右辺の分子分母をで割る。 次に両辺に対数をとる。 さらに両辺にをかけてに関し周辺化を行う。 左辺において、はに関係せず、は1となる。 右辺の第一項を、第二項をとかくと、下記式を得ることができる。 この式において最適化で変更できるのはとである。EMアルゴリズムは、この2つの視点で交互に最大化する。 まずEステップでは、は0以上なので、を最小化することでを最大化する。KL距離の定義よりはのとき最小化となる。すなわち、を固定しにを設定すればよい。 次いでMステップでは、を固定しに関して最大化する。すなわち、下記式をに関して最大化する。ここで、Eステップ時点で利用したの値は、として固定されている。 上述において、はの下界をなしており、Eステップではこの下界を最大化するを手に入れている。一方、Mステップでは、がに関して最大化されるわけだが、このとき新しいを使ったと今までのとの間に新たな違い（距離）が生まれる。そのため、EステップとMステップを繰り返すことで徐々にを最大化していく必要がある。 実装例 言語 Python 2.6 + scipy + matplotlib 問題設定 2つの正規分布からなる2次元の混合正規分布に対して平均、分散、負担率を推定する。 詳細はソース参照。 ソース Main.py EM.py 結果 コンソール最後の部分 29 [ 0 ] Mu= [[ 21.05175707] [ 21.65353366]] Sigma= [[ 95.11897414 9.67571604] [ 9.67571604 116.52378045]] Pi= 0.674809728052 [ 1 ] Mu= [[-14.92553657] [-10.79587385]] Sigma= [[ 137.40967457 -2.5813963 ] [ -2.5813963 95.53296063]] Pi= 0.325190271948 グラフ 補足 この例ではうまくいくが、もとの正規分布の分散が大きすぎると一つの正規分布でほとんどのデータを説明し、もう一つの正規分布がごくわずか（1点）のデータを説明しようとしてしまう。このあたりは、分散の監視などが必要。 また、そもそもの収束判定には尤度関数の値の変化率を見るのが一般的。