約 35,563 件
https://w.atwiki.jp/monaring/pages/729.html
生徒最小 1白 クリーチャー - 子供 0/1 生徒最小が場から墓地へ置かれたとき、あなたはカードを2枚捨ててもよい。 そうした場合、生徒最小を場に戻す。 第4版のカードで 暫定選定リストにも収録された。 手札を代償として場に戻ることが出来る能力を持っているが、通常ならばこのような弱小クリーチャーにわざわざ手札を2枚使用するようなことはしたくは無い。 基本的にはコンボ前提のカードだと言える。 主に、場から墓地に置かれたり、場に出たりすることで誘発する能力とのコンボが期待できる。
https://w.atwiki.jp/plalayout/pages/82.html
最小の大きさとなるループは? 曲線レールのみならば、 Uターンレールを使うものも考えられますが、 交差ポイントを使ったものが最小と思われます。
https://w.atwiki.jp/knenet/pages/59.html
モデルを作るとき、最初はできるだけ単純なものを考えた方がよい。 物理系なら、まずは1つの質点に、単一の方向から力が働いている時を考えたりする。 そこで、世界とは何かを考えるときも、まずは最小の世界のモデルを考えると良いだろう。 ここで、先の物理系のモデルは最小の世界モデルには適さない。 物理モデルには、質点の他に、原点、力、質点の移動できる空間が必要である。 また、この動きの観測者が必要である。物体の運動には影響しないが、観測者がいなければ、原点や原点からの距離が定義できない。 このモデルを解釈するには原点の存在が不可欠であり、その導入は観測者に委ねられる。 どうやら、世界の見え方というのは観測者に依るようである。 ならば、観測者の外にあるものを想定しなくても世界は成立するだろう。 それを実際に考えた例として、デカルトが有名である。彼は、観測者の外にあるものを全て否定し、観測者のみから得られる世界のモデルを示した。 ただ、これもまた、最小の世界ではない。彼は観測者に自身を選んだ。つまり、それは人間である。 最小の世界を考えるには、最小の観測者を想定しなくてはならない。 ここで、最小の観測者とは何かを考える。だが、観測者とは一体何なのか。 (書きかけ)
https://w.atwiki.jp/rmemo/pages/22.html
直線を探す 先に見たように、相関係数の絶対値が1に近づくほど、データはある直線の上に近づくように見える。 東証平均と新日鉄のデータの散布図に、そんな直線を引いてみよう。 z - lsfit(v.tosho,v.shinnittetu) plot(v.tosho,v.shinnittetu) abline(z,col="red") 大雑把にだが、確かにデータはその直線の周りに散らばっているように見える。 ここでは「その直線」を決める方法を考える。 R的には、この問題はすでに解決している。いま直線を引くのにつかったlsfit(v.tosho,v.shinnittetu)というのがそうだ。 lsfit()という関数はいったい何をやっているのだろうか。 lsfit(v.tosho,v.shinnittetu) とだけ直接入力して、何が出てくるか見てみよう。 $coefficients Intercept X -0.850631 1.321059 …(以下略) $residualsや$qrの後に数字がずらずら並ぶがとりあえずは無視してかまわない(あとでやり直そう)。 「coefficients」という単語は、辞書を引けば分かるように「係数」のことである。 ちなみに「Intercept」は、ここでは「切片」と数学でいうもののことである。 直線の方程式は、むかし学校では Y=aX+b などと教わったものだが、回帰直線は別の歴史的事情があって、 Y=a+bX と書くことが多い。 今の例だと、東証データv.toshoが独立変数X、新日鉄データv.shinnittetuがYである。 あと言うまでも無くaが切片で-0.850631、bがXの係数であり直線の「傾き」表し1.321059 であった。 東証データv.toshoが独立変数X、新日鉄データv.shinnittetuがYとすると、 Y=-0.850631+1.321059 X というのが我々がさっき求めた回帰直線なのだった。 最小自乗法とは? lsfitのヘルプを見るには、Rのコンソール上で ?lsfit とすればいい。 すると lsfit package stats R Documentation Find the Least Squares Fit Description The least squares estimate of *b* in the model y = X b + e is found. Usage …(以下略) とりあえずUsage以下は、今は無視しておこう。ポイントは表題である「Find the Least Squares Fit」である。Least Squaresは、日本語訳でいうところの「最小自乗(二乗)」というものにあたる。最小自乗法をつかってFitする直線を見つけるのが、この関数「lsfit」の働きである。 本当のYと、Y^=a+bXという直線が導き出すY^との間には、ふつう食い違いが存在する。 今、我々の課題は上の式のaとbの値を求めることだが、課題には目標が必要である。 我々は、できるだけ本当のYと、回帰直線の式が導き出すY^との差を小さいものにしたいと考えている。すなわちY-Y^の差を小さくすることが目標である。 しかしYとY^はどちらかが大きかったり小さかったりするので、Y-Y^の値もプラスになったりマイナスになったりするだろう。Y-Y^の差をトータルに小さくするためには、個々の差をすべて足し合わせたものを最小化すればいいが、Y-Y^のままでは足しあわすとプラスの差とマイナスの差が打ち消しあって不都合である。こういうときは二乗したものを足し合わせ、それを最小化するのを目標とすればいい。。平均値が、それぞれの値との差の二乗和を最小にするものだったことを思い出そう。そう平均値でやったあの経験が役に立つ時が来たのである。 本当のYi(i=1~n)とYi^=a+bXiの差は Yi-Yi^=Yi-(a+bXi) =Yi-a-bXi したがって最小化すべき二乗和は Q=Σ(Yi-Yi^)^2 =Σ(yi-a-bxi)^2 となる。
https://w.atwiki.jp/toyota_fl/pages/14.html
最小回転半径とは、その車の前輪外側のタイヤが回れる最小半径のこと。 実際に、車が障害物に接触しないで回転できるのはボディ外側であるから、その分余計にスペースがいることになります。 一般的に最小回転半径が小さいほど小回りが良いといわれています。
https://w.atwiki.jp/nadebook/pages/121.html
【最小化】メンバ関数 フォーム部品を最小化します。フォームを表示していなかったり、可視がオフになっていても最小化できます。 母艦を最小化すると、タスクバーに格納されます。フォームを最小化すると、タスクバーの上で格納されます。親部品にフォームを設定して最小化すると、そのフォームの中で最小化されます。 「ウィンドウ状態」に「最小化」を指定しても同様です。 母艦の中でフォームを最小化 動作の実行 (部品)を最小化。 ***** サンプル ***** 最大化ボタンとはボタン。 最大化ボタンのクリックした時は~母艦を最大化。 最小化ボタンとはボタン。 最小化ボタンのクリックした時は~母艦を最小化。 元通りボタンとはボタン。 元通りボタンのクリックした時は~母艦を元通り。 ***** ここまで *****
https://w.atwiki.jp/feriza65/
白髪染め頻度と大好きなスーパーのおじさん いつもいくスーパーにとても感じのいいおじさんがいます。 ちょっと小太りで、優しい感じで、年齢的には50代半ばと思われます。 いつも商品の陳列作業をしているのですが、私の事を覚えてくれているのか、毎回作業の手を止めて挨拶してくれます。 基本的に、人見知りな私は、一番最初に挨拶されたときに、思わず目をそらしてしまいました。 それでも、毎回声をかけてくれて、最近ではそのスーパーに行くと、そのおじさんの姿を探すようになりました。 そして、今では自分から声をかけるようにしています。 白髪染め頻度
https://w.atwiki.jp/stat_semi/pages/40.html
※wikiで編集すんの面倒なのでたまたま見つけたブログへのリンクを貼っておきます。 http //anchoret.seesaa.net/article/108419878.html 回帰直線 2つの連続型変数が一組となったデータ(ex. 身長と体重、国語の成績と数学の成績、温度と湿度など)があるとします。このようなデータは散布図によって図示するのが最も適しているでしょう。例えばここに適当に作ったxとyという2組のデータを用いて散布図を描いて見ましょう。 x - c(1, 3, 4, 5, 7, 2, 8, 9, 10, 6) y - c(0, 4, 3, 7, 3, 4, 7, 9, 12, 8) plot(x, y, pch=16) xとyの間に何らかの関係を見て取るかもしれません。もしもxの関数としてyを予測することが出来たならば大変に有用なことでしょう。つまり、ここでわれわれの目的は次の関係式を得ることにあります。 という関数をどのようなものとするかがポイントですが、ここではとりあえずa、bという2つの定数を含む一次式としておきましょう。 一次式ですから、全てのデータポイントを通ることは出来ません(一般に、n個のデータポイントを全て通るためには、多項式の場合n-1次の関数が必要です)。ですから、の値はあくまで予測できるだけです。の予測値である、という意味をこめてという記号(yハットと読みます)を使うことにします。現時点でわれわれの目的は次の式に含まれる定数a、bを「適切に」決定することです。 これを回帰式と呼びます。(特にこれは一次式による線形回帰です) 「適切に」決定するのはひとまずおいておいて、まずは「適当に」決めてみましょう。パッと見切片は0っぽいですし、傾きは1っぽいでしょう。というわけで適当に決定した回帰式はこうです。 最初の散布図に重ねて書いてみましょう。どうでしょう。私の勘も捨てたものではないです。まあとにかくこのように最初におおまかな見当をつけておくのは大切なことです。 ところでお気づきでしょうが、これと似たような回帰式はいくらでも引けるわけです。aやbをほんの1%、あるいはそれ以下変更しただけの回帰式と、今予想している回帰式のどちらがいいのかということは、どのように判断できるでしょうか。 判断には基準が必要です。「良い」回帰式というのは、それにより引かれる直線とデータポイントの距離が非常に狭いようなものでしょう。「距離」は最短距離を採用してもいいのですが、計算の簡単のためにy軸方向の距離としましょう。つまり、との差ということになります。わかりやすいようにグラフに示してみましょう。回帰式はさっきの適当回帰式です。 回帰直線から垂直に伸びているのが「距離」です。普通これを残差や誤差と呼びますから、以降は残差という呼び方で統一します。また、特定のに対応する残差をと表現します()。この残差が最も小さいような直線が最も「適切な」直線でしょう。つまりの総和を最小にすればいいのですが、そのままだと+と-が混在しますから全てを+に統一するために適当な変換が必要です。絶対値をとるというのは一つの手ですが、絶対値を含む式は計算が難しいので値を二乗することで値を+にしましょう。ここでのわれわれの目的は次の式を最小とすることにあります。 の添え字は省略しましたが全てのデータの和です。
https://w.atwiki.jp/chem-ota/pages/54.html
データ整理などでよく使う手法です。 エクセルに頼らずに基本を忘れないよう回帰式などをメモってみました。 重みつき最小二乗法 下記の回帰分析モデルで、誤差が正規分布N(0,σ2i)に従う、すなわち、i によって分散の大きさが異なる(等分散性が成立しない)時は、通常の最小二乗法ではなく、重みつき最小二乗を用いなければならない。 *要は正規分布を仮定する場合の最小二乗法。 ここで、上記式を展開した後、α、βの最小値を求めるため、αもしくはβで偏微分した値を0とする。その結果を整理すると下記の最小二乗推定量の計算ができる式ができる。 決定係数・寄与率・相関係数 詳しくは下記リンクの「相関係数」の項に詳しい。 統計学 トップページに戻る
https://w.atwiki.jp/lideldmiir/pages/67.html
最小対語:hatとcatのように、1音違えば別の単語になってしまうペアのこと。 最小対語については常に聞き間違えの可能性があるわけですが、その可能性は音によって異なります。 pal と bal は聞き違いやすいですが、pal と nal は相対的に聞き間違えづらいです。 p と n は調音点と調音法が違うからですね。 母音についても口の高低と前奥が近い母音同士は音波が似ているので間違えやすいです。 最小対語を気にする場合、特に聞き違えやすいものを注意するといいと思います。 理論上ありえる最小対語を全て検索して互いに意味が似ないように注意すると、膨大な時間がかかります。 そこで、その言語で聞き違えやすい音だけを焦点化します。 聞き違いやすい音といっても、学習者の母語によって変わります。 作成段階で日本語に合わせてしまうとオリジナリティが失われるので、その言語の音韻論を予め決め、その言語の話者を想定します。 そしてその架空の話者が間違えやすい音をその言語の音韻論と照らし合わせて決めます。そうすればその言語での聞き間違えやすい音を決定できます。 音韻論を作るということは音節構造も出来上がっているわけです。 したがって、その言語が子音重視か母音重視かということも分かります。 いいかえると、高周波の子音に耳を向ける言語か、低周波の母音に耳を向けるかという違いが分かります。 もし母音率が高く、しかも母音の種類が少なく、子音連続が少ない言語の場合、聞き間違いは主に子音に起こりやすくなります。 したがって、最小対語で気をつけるのは子音が関わるものに限定され、作業が楽になります。 まとめると、まず意識しなければいけない最小対語を篩うための理論を作りましょう。 それは音韻論的なもので、音節構造や母音率や子音連続などが絡みます。 そしてオリジナルの理論が出来上がれば、それに即して意識すべき最小対語を篩います。 篩った結果の中に文脈的にも似通った語が出てくれば、それは変えましょう。 こうすれば少ないの労力で最小対語による誤解や問題を回避することができます。 なお、聞き間違いは「ソノリティ」(音の聞き取りやすさの度合い・可聴度)とも関与します。 ちなみに、ソノリティとは「聞こえ」のことをいい、人間の音声では母音のほうが子音より高いです。 したがって、一般的なことを言えば pal, bal より pal, pil のほうが間違えられにくいです。