約 10,133 件

  • 経済統計練習帳 - 分布

    https://w.atwiki.jp/javadsge/pages/4305.html

    8分布 8分布 8分布 8分布

  • ベッキーだよー@うぃき - 分布

    https://w.atwiki.jp/becky800/pages/18.html

    ベキスレの分布 ベキスレは広範囲にわたって分布している それこそ2chに限らずいくつもの掲示板でベッキーだよーのスレタイでスレが立っており、 その様は昆虫か小動物類が繁殖しているかのような乱立ぶりで、 おそらく原因はスレタイが簡易なためと 1に書く内容が「うそだよー」とテンプレ化していて 誰にでも立てられる下地が完成しているからだと思われる。 参考までにいくつか例を記す http //www.3ch.jp/test/read.cgi?bbs=neet4vip key=1114036805 http //pc11.2ch.net/test/read.cgi/friend/1238066281/ http //yy51.60.kg/test/read.cgi/vipnanmin/1171723823/ http //www.3ch.jp/test/read.cgi?bbs=kitchin key=1115274890

  • web用語辞典 - 分布

    https://w.atwiki.jp/sevenlives/pages/2490.html

    代表値?最頻値?双峰分布? 中央値? 統計学

  • aroearoe @ ウィキ - T分布

    https://w.atwiki.jp/aroearoe/pages/4.html

    Ｔ分布   正規分布する母集団から得た標本の平均の分布。 サンプル数が多ければ多いほど母集団に近づくが、母集団の分散値の真値を知ることはできないため 標本の分布が必ずしも母集団の分布と同じとは限らないため、便宜上、標本分布をT分布といい、 標本集団の検定をT検定という。 　　※ちなみに何故Tなのかは謎。     【関連項目】 T検定

  • VWRR辞典 - 会員分布

    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

  • aion_tsubame @ ウィキ - 人口分布

    https://w.atwiki.jp/aion_tsubame/pages/48.html

    8/7の10時時点でのデータ。時間帯的にBOTや廃人の割合が多い気がする。 グラフはX軸がレベル、Y軸が人数。 職別分布 ソード、シャドウ、チャントが多いのは明らかにBOTだろう。 レベル別分布 Lv.37がもっとも人口が多いようだ。 BOT補正分布 ソード、シャドウ、チャントのおよそ半分がBOT、大体ソード人口の1.3倍がBOTと仮定して計算した。 実際にはこの時間帯の7割ほどはBOTかもしれない。

  • Never Stop Questioning - 正規分布

    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

  • aspirin-marcov @ ウィキ - 確率分布

    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。

  • abwiki @ ウィキ　(ActiveBasic非公式wiki) - 幾何分布

    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。

  • Never Stop Questioning - ベータ分布

    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：

1 2 3 … 100