YuanDaily

前言

最近在移動資料，原本要去各個資料夾下複製再貼到新的資料夾，
但我想偷懶看能不能用python一次搬，結果還真的可以～
以下就簡單說明一下怎做的。

二項分布/二項式分布/Binomial Distribution

• 二項分布屬於離散型確率分布
• 只做一次的二項分布就是伯努利試驗(Bernoulli trial)
  閱讀全文 »

確率変数/隨機變數/Random Variable

• 例如事件\(x\)為擲一公正骰子出現的各個點數，\(x\)就會等於\(1\)~\(6\)，
  則此時確率変数\(X={1, 2, 3, 4, 5, 6}\)。
  

確率変数又可細分為:

因為在設定hexo時必須修改一堆.yml檔，剛好yml跟json很像，所以就做了這篇簡短的筆記。

簡介

json (JavaScript Object Notation)，唸法同Jason，跟yaml一樣都是key-value寫法。

因為在設定hexo時必須修改一堆.yml檔，想說來了解一下它所以就做了這篇簡短的筆記。

簡介

yaml簡寫yml唸作耶某，很像json很好懂。
副檔名: .yaml or .yml

前言：由於我用過的日文教科書只有《大家的日本語》，所以我沒辦法比較其他參考書~

《大家的日本語》就像大家說的，如果只有課本是沒辦法自學的，所以必須再搭配它的文法解說跟問題解答共三本套書。我當初也覺得：蛤～一個級別就三本好麻煩，但文法解說本的排版真香，我認為很有條理很好懂就入坑了。

Writing & Organizing Content

• 創新md檔案至 ~/Documents/Hexo/你的資料夾名稱/source/_posts

  1	$ hexo new a

• 創草稿md檔案至 ~/Documents/Hexo/你的資料夾名稱/source/_drafts

  1	$ hexo new draft b

  閱讀全文 »

回歸/Regression

\(y=\alpha +\beta x\)，\(\alpha , \beta\) 稱為回歸係數 假設 \(x,y\) 有某種因果關係的前提下，
從\(x\)來預測\(y\)值稱為回歸分析 (不能用\(y\)倒推回\(x\))

• \(x\): 説明変数
• \(y\): 非説明変数/目的変数

共分散/共變異/Covariance

• 可用來表示兩變數的關係，缺點是會受單位影響，因此需要相關係數
• \(s_{xy}=\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})\)
• \(s_{xy}=\sum_{i=1}^{n}x_iy_i - n\bar{x}\bar{y}\) \[\begin{eqnarray*} \sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})&=&\sum_{i=1}^{n}(x_iy_i-x_i\bar{y}-\bar{x}y_i+\bar{x}\bar{y})\\\\ &=&\sum_{i=1}^{n}x_iy_i-\bar{y}\sum_{i=1}^{n}x_i-\bar{x}\sum_{i=1}^{n}y_i+ \sum_{i=1}^{n}\bar{x}\bar{y}\\\\ &=&\sum_{i=1}^{n}x_iy_i-\bar{y}n\bar{x}-\bar{x}n\bar{y}+ n\bar{x}\bar{y}\\\\ &=&\sum_{i=1}^{n}x_iy_i - n\bar{x}\bar{y} \end{eqnarray*}\]
  閱讀全文 »

平均値/平均值/Mean

\(\bar{x} = \frac{x_1+x_2+...+x_n}{n}= \frac{\sum_{i=1}^{n}x_i}{n}\) \((\sum_{i=1}^{n}x_i=n\bar{x})\)