axjack
@axjack.bsky.social
統計学, SQL, R, Python, Azure Machine Learning, Power BI辺りをふらふらと。
https://axjack.hatenablog.jp
https://axjack.hatenablog.jp
使い勝手どうなんだろなあ
news.yahoo.co.jp/articles/a39...
news.yahoo.co.jp/articles/a39...
Microsoft、「SQL Server Management Studio 22」（SSMS 22）の一般提供を開始（窓の杜） - Yahoo!ニュース
米Microsoftは11月12日（現地時間）、「SQL Server Management Studio 22」（SSMS 22）の一般提供を開始した。「Visual Studio」をもとにした
news.yahoo.co.jp
November 13, 2025 at 9:50 AM
使い勝手どうなんだろなあ
news.yahoo.co.jp/articles/a39...
news.yahoo.co.jp/articles/a39...
データ解析のための数理統計入門のディリクレ分布をやっつけた
October 13, 2025 at 11:15 PM
データ解析のための数理統計入門のディリクレ分布をやっつけた
Codex を完全に理解する会
zenn.dev
October 13, 2025 at 12:22 PM
Stop Avoiding Politics terriblesoftware.org/2025/10/01/s...
Stop Avoiding Politics
Most engineers think workplace politics is dirty. They’re wrong. Refusing to play politics doesn’t make you noble; it makes you ineffective.
terriblesoftware.org
October 4, 2025 at 2:34 AM
Stop Avoiding Politics terriblesoftware.org/2025/10/01/s...
■P(X1+X2=s)
和がsになるような(X1,X2)の組み合わせで足し潰せばよく然るにP(X1+X2=s)=\sum_{x1+x2=s} P(X1=x1, X2=x2)
vs
■P(X1=x1 かつ X1+X2=s)
読んで字の如くX1=x1かつX1+X2=sなので必然X2=s-x1然るにP(X1=x1 かつ X2=s-x1)故に単なる同時分布
和がsになるような(X1,X2)の組み合わせで足し潰せばよく然るにP(X1+X2=s)=\sum_{x1+x2=s} P(X1=x1, X2=x2)
vs
■P(X1=x1 かつ X1+X2=s)
読んで字の如くX1=x1かつX1+X2=sなので必然X2=s-x1然るにP(X1=x1 かつ X2=s-x1)故に単なる同時分布
September 23, 2025 at 11:19 PM
■P(X1+X2=s)
和がsになるような(X1,X2)の組み合わせで足し潰せばよく然るにP(X1+X2=s)=\sum_{x1+x2=s} P(X1=x1, X2=x2)
vs
■P(X1=x1 かつ X1+X2=s)
読んで字の如くX1=x1かつX1+X2=sなので必然X2=s-x1然るにP(X1=x1 かつ X2=s-x1)故に単なる同時分布
和がsになるような(X1,X2)の組み合わせで足し潰せばよく然るにP(X1+X2=s)=\sum_{x1+x2=s} P(X1=x1, X2=x2)
vs
■P(X1=x1 かつ X1+X2=s)
読んで字の如くX1=x1かつX1+X2=sなので必然X2=s-x1然るにP(X1=x1 かつ X2=s-x1)故に単なる同時分布
【Power Automate Desktop】大規模フローを楽にする変数管理テクニック
zenn.dev
September 9, 2025 at 12:39 PM
一様な角度U~Unif(-π/2, π/2)をとって「傾きY=tan(U)」に変換するとコーシー分布になる。
September 7, 2025 at 11:02 AM
一様な角度U~Unif(-π/2, π/2)をとって「傾きY=tan(U)」に変換するとコーシー分布になる。
一方、正規ガンマ分布は混ぜるとt分布になったりコーシー分布になったり、危険な混ぜ方だと思う。
August 19, 2025 at 2:32 PM
一方、正規ガンマ分布は混ぜるとt分布になったりコーシー分布になったり、危険な混ぜ方だと思う。
ガンマ・ポアソン分布ってほんとよくできてるよなぁ。計算すればたしかにそうなんだけれど、最終的にマジで負の二項分布になるのが面白い。
August 19, 2025 at 2:28 PM
ガンマ・ポアソン分布ってほんとよくできてるよなぁ。計算すればたしかにそうなんだけれど、最終的にマジで負の二項分布になるのが面白い。
X~Bern(p)は当たり確率がpのくじだったり、赤玉を引く確率がpの試行だったりする。
これと同じことを一様分布でモデル化すると、U~Unif(0,1)な確率変数を取ってきて、Uがp以下だったら当たり、そうじゃなければハズレとすることである。それはP(U≦p)=pと言っていることに等しい。
総じて、ベルヌーイ分布は一様分布で表現することができる。
これと同じことを一様分布でモデル化すると、U~Unif(0,1)な確率変数を取ってきて、Uがp以下だったら当たり、そうじゃなければハズレとすることである。それはP(U≦p)=pと言っていることに等しい。
総じて、ベルヌーイ分布は一様分布で表現することができる。
June 28, 2025 at 11:38 AM
X~Bern(p)は当たり確率がpのくじだったり、赤玉を引く確率がpの試行だったりする。
これと同じことを一様分布でモデル化すると、U~Unif(0,1)な確率変数を取ってきて、Uがp以下だったら当たり、そうじゃなければハズレとすることである。それはP(U≦p)=pと言っていることに等しい。
総じて、ベルヌーイ分布は一様分布で表現することができる。
これと同じことを一様分布でモデル化すると、U~Unif(0,1)な確率変数を取ってきて、Uがp以下だったら当たり、そうじゃなければハズレとすることである。それはP(U≦p)=pと言っていることに等しい。
総じて、ベルヌーイ分布は一様分布で表現することができる。
f(x,y) が 0≦y≦xで定義された密度関数がある。P(X≦2, Y≧1)の積分範囲は？
x∈[0, ∞) ∩ y∈[0,x] ∩ x∈(-∞,2] ∩ y∈[1,∞) から x∈[0,2] かつ y∈[1,x]となるがここで、x<1の時yが空となってしまうためx≧1である必要がある。
従って、yの範囲はy∈[1,x]でxの範囲はx∈[0,2]∩[1,∞)=[1,2]となる。
x∈[0, ∞) ∩ y∈[0,x] ∩ x∈(-∞,2] ∩ y∈[1,∞) から x∈[0,2] かつ y∈[1,x]となるがここで、x<1の時yが空となってしまうためx≧1である必要がある。
従って、yの範囲はy∈[1,x]でxの範囲はx∈[0,2]∩[1,∞)=[1,2]となる。
June 26, 2025 at 1:46 PM
f(x,y) が 0≦y≦xで定義された密度関数がある。P(X≦2, Y≧1)の積分範囲は？
x∈[0, ∞) ∩ y∈[0,x] ∩ x∈(-∞,2] ∩ y∈[1,∞) から x∈[0,2] かつ y∈[1,x]となるがここで、x<1の時yが空となってしまうためx≧1である必要がある。
従って、yの範囲はy∈[1,x]でxの範囲はx∈[0,2]∩[1,∞)=[1,2]となる。
x∈[0, ∞) ∩ y∈[0,x] ∩ x∈(-∞,2] ∩ y∈[1,∞) から x∈[0,2] かつ y∈[1,x]となるがここで、x<1の時yが空となってしまうためx≧1である必要がある。
従って、yの範囲はy∈[1,x]でxの範囲はx∈[0,2]∩[1,∞)=[1,2]となる。
INFO 関数 (DAX) - DAX
詳細情報: INFO DAX 関数
learn.microsoft.com
June 24, 2025 at 10:22 PM
クーポンコレクター問題:
p_k = n種類のうち(k-1)種類は入手済みで残りの n-(k-1) を引く確率、すなわち\frac{n-(k-1)}{n}
として考える。
p_k = n種類のうち(k-1)種類は入手済みで残りの n-(k-1) を引く確率、すなわち\frac{n-(k-1)}{n}
として考える。
June 24, 2025 at 2:26 PM
クーポンコレクター問題:
p_k = n種類のうち(k-1)種類は入手済みで残りの n-(k-1) を引く確率、すなわち\frac{n-(k-1)}{n}
として考える。
p_k = n種類のうち(k-1)種類は入手済みで残りの n-(k-1) を引く確率、すなわち\frac{n-(k-1)}{n}
として考える。