Generated by All in One SEO v4.9.10, this is an llms.txt file, used by LLMs to index the site.

# 青の統計学

データサイエンス総合学習メディア

## 投稿

- [【体験談】G検定は大学生でも受かる？合格率、難易度、試験範囲を徹底解説](https://statisticsschool.com/【体験談】g検定は大学生でも受かる？合格率、難/) - G検定は大学生でも合格できる？この記事では、G検定の合格率、難易度、広い試験範囲を体験談を交えて徹底解説。AI・ディープラーニングの知識を習得し、将来のキャリアに活かしたい大学生や学び直しの社会人必見です。
- [【2026年最新版】統計検定準1級のチートシート｜最短合格への道](https://statisticsschool.com/【第2弾】統計検定準1級のチートシート｜最短合格/) - こんにちは、青の統計学です。 こちらの記事だけでは、紹介しきれない内容があったため第二弾のチートシートになりま こんにちは、青の統計学です。 こちらの記事だけでは、紹介しきれない内容があったため第二弾のチートシートになりま
- [【2026年最新版】統計検定準一級のチートシート|難易度や出題範囲について](https://statisticsschool.com/【最短合格】統計検定準一級のチートシート難易/) - 統計検定準1級の頻出テーマである分散分析のF値計算、ロジスティック回帰のオッズ比、ブラウン運動などの重要公式を「チートシート」として整理。難易度が高い分野の要点を押さえ、最短合格を目指すための試験直前チェックリストです。
- [統計検定2級のチートシートと独学で受かるコツ【2026年最新版】](https://statisticsschool.com/【最短】統計検定2級合格ロードマップとチートシ/) - 統計検定2級の基本情報 統計検定2級は、大学基礎科目レベルの統計学の知識の習得とその活用について理解しているか 統計検定2級の基本情報 統計検定2級は、大学基礎科目レベルの統計学の知識の習得とその活用について理解しているか
- [統計検定2級の難易度と範囲を徹底解説【2026年最新版】](https://statisticsschool.com/統計検定2級の難易度と範囲を徹底解説【2024年最新/) - 統計検定2級の難易度、合格率、広範な出題範囲を徹底解説。効率的な勉強法やCBT試験対策、チートシートの活用法まで、合格に必要な情報を網羅した完全ガイドです。データサイエンス実務の第一歩に。
- [統計検定3級｜合格率や出題範囲、勉強法を徹底解説【2026年最新版】](https://statisticsschool.com/【徹底攻略】統計検定3級｜合格率や出題範囲、勉/) - 統計検定3級の合格率、出題範囲、おすすめの勉強法を徹底解説。統計学の基礎を固めたい方、CBT試験の概要やメリットを知りたい方必見の完全ガイドです。統計的思考を身につける第一歩に。
- [【図解あり】ヤコビアンをわかりやすく解説【統計検定】](https://statisticsschool.com/【数理統計学】ヤコビアンをわかりやすく解説mcmc/) - はじめに こんにちは、青の統計学です。 今回は、ヤコビアンをテーマに解説をします。これは、多変数関数の振る舞い はじめに こんにちは、青の統計学です。 今回は、ヤコビアンをテーマに解説をします。これは、多変数関数の振る舞い
- [【時系列】状態空間モデルをわかりやすく解説|カルマンフィルタの仕組み](https://statisticsschool.com/【時系列】状態空間モデルをわかりやすく解説カ/) - こんにちは、青の統計学です。 今回は、状態空間モデルについて解説いたします。 大学で統計学を学ぶと、多くの場面 こんにちは、青の統計学です。 今回は、状態空間モデルについて解説いたします。 大学で統計学を学ぶと、多くの場面
- [勾配ブースティング決定木（GBDT）の仕組みを理解｜XGBoostとLightGBMの違いを理解する](https://statisticsschool.com/【xgb】交差検証法を使った勾配ブースティング決/) - 勾配ブースティング決定木(GBDT)の仕組みと数学的背景をわかりやすく解説。ランダムフォレストとの違いや、XGBoostとLightGBMの特徴・使い分けまで網羅しています。アンサンブル学習の基礎からアルゴリズムの理論を深めたい方に最適です。
- [【R^2】決定係数をわかりやすく説明|python](https://statisticsschool.com/決定係数とは？説明変数の確らしさを図る指標の/) - 決定係数（R^2）とは何か、回帰モデルの当てはまり（説明力）をどう評価するかを初心者にもわかりやすく解説。数学的な定義からPythonでの計算方法、自由度調整済み決定係数までを学びます。統計学の基礎を固めましょう。
- [共変量シフトって結局なんなのか？｜i.i.dを正しく理解する](https://statisticsschool.com/共変量シフトって結局なんなのか？｜i-i-dを正しく/) - 機械学習の前提であるi.i.d.仮定と、それが崩れる「共変量シフト」の本質を数学的に解説。訓練データとテストデータの分布変化がモデル精度に与える影響や、重要度サンプリング・密度比推定（IW-ERM）による具体的な補正方法まで網羅した理論ガイドです。
- [活性化関数の完全ガイド|特徴と効果的な選び方について|ニューラルネットワークと非線形性](https://statisticsschool.com/【python】活性化関数の完全ガイド特徴と効果的な選/) - ディープラーニングに必須の「活性化関数」を完全解説。ReLU、Sigmoid、Softmax等の使い分けや特徴を網羅。学習を妨げる勾配消失問題の原因と対策（バッチ正規化や重み初期化など）まで学べる、実務と資格試験に役立つガイドです。
- [【アンサンブル学習】ランダムフォレストをわかりやすく解説｜ブートストラップ法を決定木に応用](https://statisticsschool.com/【ランダムフォレスト】ブートストラップ法を決/) - ランダムフォレストの仕組みを、アンサンブル学習の基礎であるバギングやブートストラップ法からわかりやすく解説。決定木との違いや過学習を防ぐ理由、スタッキングとの比較も網羅。
- [【機械学習】決定木の仕組みと数学的背景をわかりやすく解説｜線形回帰との違い](https://statisticsschool.com/【機械学習】決定木の仕組みと実装方法についてp/) - 機械学習における「決定木」の仕組みと数学的背景（ジニ不純度・エントロピー）をわかりやすく解説。CART法や剪定による過学習対策、線形回帰との違いまで網羅しています。データサイエンスの基礎から実装理論まで、最適な完全ガイドです。
- [内生性と外生性の概念と操作変数法による内生性の問題の解決方法をわかりやすく。](https://statisticsschool.com/内生性と外生性の概念と操作変数法による内生性/) - 「内生性」と「外生性」とは？計量経済学の重要概念をわかりやすく解説。内生性が回帰分析で引き起こす問題（バイアス）と、その解決策である「操作変数法（二段階最小二乗法）」を具体例と共に学びます。
- [母平均の区間推定と検定 - 正規分布と標準誤差の概念](https://statisticsschool.com/母平均の区間推定と検定-正規分布と標準誤差の/) - 統計学の「母平均の区間推定」と「検定」をわかりやすく解説。母分散が既知の場合（正規分布）と未知の場合（t分布）での計算方法の違い、標準誤差の概念、信頼区間の求め方を具体例で学びます。
- [階層ベイズをわかりやすく解説｜Google Meridianを例に](https://statisticsschool.com/階層ベイズをわかりやすく解説｜/) - 階層ベイズモデルとは？ 階層ベイズモデルは、データの複雑な構造を扱うための統計手法です。特に、異なるレベルでデ 階層ベイズモデルとは？ 階層ベイズモデルは、データの複雑な構造を扱うための統計手法です。特に、異なるレベルでデ
- [【非等分散編】pythonでWelch(ウェルチ)のt検定をやってみた](https://statisticsschool.com/【非等分散編】pythonでwelchのt検定をやってみた/) - 2標本問題において、標本間の母分散が等しいという等分散の仮定は、限られた場でしか信憑性がありません。 今回は、 2標本問題において、標本間の母分散が等しいという等分散の仮定は、限られた場でしか信憑性がありません。 今回は、
- [【機械学習】単回帰分析をわかりやすく解説|python](https://statisticsschool.com/【機械学習】単回帰分析をpythonで実装してみましょ/) - 単回帰分析 教師あり学習 今回は、教師あり学習の基礎中の基礎である「単回帰分析」を実装します。 教師あり学習と 単回帰分析 教師あり学習 今回は、教師あり学習の基礎中の基礎である「単回帰分析」を実装します。 教師あり学習と
- [【API】Google Search Consoleから1000行以上の検索クエリを取得したい|Google Cloud](https://statisticsschool.com/【api】google-serach-consoleから1000行以上の検索クエリを取得したい/) - Google Search Consoleの管理画面では1000件しか見れない検索クエリを、APIとPythonを使って全量取得する方法を解説。Google Cloudの設定手順から、データ取得・CSV保存のコードまで完全網羅。SEOやサイト分析を強化したい方必見です。
- [【大学数学の壁】イプシロン・デルタ論法をわかりやすく解説](https://statisticsschool.com/【大学数学の壁】イプシロン・デルタ論法をわか/) - 大学数学の壁「イプシロン・デルタ論法」を、図解を用いてわかりやすく解説します。極限と連続性の厳密な定義、イプシロンとデルタの役割、そして一様連続性や確率収束への応用まで、データサイエンス学習に必須の基礎数学を徹底的に理解できます。
- [ベイズ因子とは？──定義と直感的解釈](https://statisticsschool.com/ベイズ因子とは？──定義と直感的解釈/) - ベイズ因子（Bayes Factor）の定義、p値との決定的な違い、そしてJeffreysの基準を用いた直感的解釈を解説。2つの仮説の相対的な支持度を定量化する計算ロジックと、MCMCによる周辺尤度の推定方法についても詳細に解説。
- [パス解析をわかりやすく解説：因果推論からMMMまで](https://statisticsschool.com/パス解析をわかりやすく解説：因果推論からmmmま/) - 【因果推論・SEM入門】パス解析（Path Analysis）を基礎から解説。パス図の描き方、最小二乗法（OLS）によるパス係数の推定、直接効果・間接効果の分離方法を詳細に紹介。マーケティングミックスモデリング（MMM）への応用例も解説します。
- [【完全版】MMMを課題設定から考える｜Google Meridian](https://statisticsschool.com/【完全版】mmmを課題設定から考える｜google-meridian/) - MMM（マーケティングミックスモデリング）を課題設定・予算最適化から徹底解説。バンダイナムコ事例から、Adstock/Hill関数、収穫逓減といったモデル理論、最新の階層ベイズOSS「Google Meridian」の導入まで、内製化を目指す実務家向けに詳細に解説します。
- [トービットモデルとは？わかりやすく解説【潜在変数】｜計量経済学](https://statisticsschool.com/トービットモデルとは？わかりやすく解説【潜在/) - 【計量経済学】トービットモデル（Tobit model）とは？データが0で切断される「打ち切りデータ」や「潜在変数」の概念を図解でわかりやすく解説。最尤法による推定や限界効果、確率密度関数の導出まで、統計検定準1級対策にも最適です。
- [【仮説検定】第1種の過誤と第2種の過誤とは？](https://statisticsschool.com/【統計検定2級】第一種の過誤と第二種の過誤につ/) - 【統計検定2級対策】第1種の過誤と第2種の過誤の違いをわかりやすく解説。有意水準や検出力、トレードオフの関係性まで図解付きで網羅。仮説検定の基礎を固めたい初学者必見です。
- [ゼロ過剰ポアソン分布（ZIP分布）をわかりやすく解説](https://statisticsschool.com/ゼロ過剰ポアソン分布（zip分布）をわかりやすく/) - ゼロ過剰ポアソン分布(ZIP分布)を徹底解説。データに0が多い場合の対処法として、定義や期待値・分散の導出、EMアルゴリズムを用いた最尤推定の手順まで網羅しています。通常のポアソン分布との違いや使い分けを学びたい方におすすめです。統計検定対策にも。
- [ガウス過程回帰の仕組みと実務での応用をわかりやすく解説｜ノンパラメトリック機械学習](https://statisticsschool.com/【python】ガウス過程回帰の仕組みと実務での応用機/) - ガウス過程回帰(Gaussian Process Regression)の仕組みを、数学的定義から実務応用まで網羅。RBFカーネル等の共分散関数の役割、ベイズ統計に基づく事前分布・事後分布の更新フローを解説します。回帰分析における非線形モデリング、予測分散を用いた信頼区間の可視化など、データサイエンスの幅を広げる技術を習得しましょう。
- [【完全ガイド】MCMC法についてわかりやすく解説|ベイズ推定](https://statisticsschool.com/【完全ガイド】mcmc法についてわかりやすく解説ベ/) - 【MCMC法の完全ガイド】ベイズ推定で用いられるMCMC法（マルコフ連鎖モンテカルロ法）を基礎からわかりやすく解説。ベイズの定理、次元の呪い、マルコフ連鎖の概念から、具体的なMHアルゴリズムまでを網羅します。
- [【MCMC法】ハミルトニアンモンテカルロをわかりやすく解説｜ベイズ統計学](https://statisticsschool.com/【mcmc】ハミルトニアンモンテカルロによるサンプ/) - ベイズ統計学におけるMCMC法の一つ「ハミルトニアンモンテカルロ（HMC）」について、その仕組みとMH法との違いをわかりやすく解説。物理学のハミルトニアン力学を応用した効率的なサンプリング手法とleap-frog法までを学びます。
- [【GLM】一般化線形モデルをわかりやすく解説|ポアソン回帰](https://statisticsschool.com/【glm】一般化線形モデルを解説ポアソン回帰/) - 一般化線形モデル(generalized liner model) 今回はGLMと呼ばれる「一般化線形モデル( 一般化線形モデル(generalized liner model) 今回はGLMと呼ばれる「一般化線形モデル(
- [階層型クラスタリングとデンドログラムを解説｜k-means法との比較](https://statisticsschool.com/【python】階層型クラスタリングとデンドログラムの/) - 階層型クラスタリング（ウォード法）を実装する方法を解説します。デンドログラム（樹形図）の作成方法と見方、k-means法との違いまで、教師なし学習の基礎をサンプルコード付きで学びましょう。 こんにちは、青の統計学です。 今回は、階層型のクラスタリングについて解説しようと思います。 なぜ「階層」で考え
- [差の差分析（DID）をわかりやすく解説：多期間DIDとサンプルサイズ計算まで](https://statisticsschool.com/【因果推論】差の差did分析による平均処置効果の/) - 因果推論の主要手法「差の差分析（DID）」をわかりやすく解説。平均処置効果（ATT）の推定方法、重要な「平行トレンド仮定」の確認、OLSでの実装、多期間DIDまで。実務や研究での介入効果測定に。
- [シンプソンズのパラドクスとは？──「部分」と「全体」で逆転する統計の落とし穴](https://statisticsschool.com/シンプソンズのパラドクスとは？──「部分」と/) - シンプソンズのパラドクスとは？「部分」と「全体」で統計的な結論が逆転する現象を、具体例で解説。原因となる交絡因子や、統計検定2級でも頻出の「層別分析」による回避策も紹介します。シンプソンズのパラドクスとは？「部分」と「全体」で統計的な結論が逆転する現象を、具体例で解説。原因となる交絡因子や、統計検定2級でも頻出の「層別分析」による回避策も紹介します。
- [マルコフ連鎖をわかりやすく解説【MCMC法への応用】](https://statisticsschool.com/マルコフ連鎖をわかりやすく解説【mcmc法への応用/) - マルコフ連鎖の基本原理（マルコフ性・推移確率行列）と定常分布についてわかりやすく解説。さらに、ベイズ統計学で重要なMCMC法（マルコフ連鎖モンテカルロ法）への応用として、MH法やギブスサンプリングとの関係性もPythonコード例と共に紹介します。
- [【完全ガイド】k-means法とは？周辺のクラスタリング手法と比較](https://statisticsschool.com/【完全ガイド】k-means法とは？周辺のクラスタリング/) - k-means法とは何か、そのアルゴリズムの仕組みやビジネスでの活用法をわかりやすく解説します。初期値問題や最適なクラスタ数kの決定方法（エルボー法）に加え、k-means++、X-means、ソフトk-meansなどの発展的手法も比較・紹介する完全ガイドです。
- [対数正規分布とは？ビジネスで使える便利な確率分布](https://statisticsschool.com/対数正規分布とは？ビジネスで使える便利な確率/) - 対数正規分布とは何か、その特徴や正規分布との違いをわかりやすく解説します。売上や需要予測など、ビジネスにおける在庫管理での具体的な活用例（平均・中央値・最頻値の計算）も紹介。データサイエンスに役立つ確率分布の知識を深めましょう。
- [正規分布とは？図解と合わせわかりやすく解説](https://statisticsschool.com/【例題つき】正規分布の確率密度について/) - 正規分布とは何かを図解でわかりやすく解説。確率密度関数の意味から、標準化を使った例題（偏差値計算）、標本平均に応用される再生性まで。統計学の基礎であり統計検定対策にも必須の正規分布をマスターしましょう。
- [ラスパイレス指数とパーシェ指数をわかりやすく解説！計算方法と使い分け【統計検定】](https://statisticsschool.com/ラスパイレス指数とパーシェ指数をわかりやすく/) - ラスパイレス指数とパーシェ指数とは？物価変動を測る両指数の違い、計算方法、特徴（代替効果）、使い分けを具体例で分かりやすく解説します。消費者物価指数など統計検定対策にも最適です。
- [【統計学】分散不均一だと何が問題なのか|不偏性とガウスマルコフ性について](https://statisticsschool.com/【統計学】分散不均一だと何が問題なのか不偏性/) - 統計学の「分散不均一性」とは何か、なぜ問題となるのかを分かりやすく解説します。回帰分析（OLS）における「不偏性」や「ガウス・マルコフの定理」との関係性、分散不均一が推定に与える影響までを学びたい方におすすめです。
- [回帰不連続デザイン（RDD）をわかりやすく解説【因果推論】](https://statisticsschool.com/成田悠輔教授の論文でも使われた回帰不連続デザ/) - 回帰不連続デザイン(RDD)を分かりやすく解説。セレクションバイアスへの対処法や局所的な平均処置効果(LATE)の推定など、因果推論の重要手法を傾向スコアとDIDとの差分を確認しながら、共に学びます。計量経済学やEBPMに興味がある人におすすめです。
- [階層型クラスタリング徹底比較｜ウォード法・最短距離法などの使い分け](https://statisticsschool.com/階層型クラスタリング徹底比較｜ウォード法・最/) - 階層型クラスタリングとは？ウォード法、最短距離法、群平均法など7手法を徹底比較。メリット・デメリットからクラスタ形状、使い分けまで、デンドログラムと共に解説します。
- [パレートの法則についてわかりやすく解説](https://statisticsschool.com/パレートの法則についてわかりやすく解説/) - パレートの法則（80:20の法則）とは？「成果の8割は2割の原因が生む」経験則を、数学的背景からビジネス応用、パレート図での可視化までわかりやすく解説します。
- [【確率分布の特徴を知りたい】モーメント法をわかりやすく解説](https://statisticsschool.com/【確率分布の特徴を知りたい】モーメント法をわ/) - モーメント法とは？確率分布の平均や分散などの特徴を捉える「モーメント」を使い、パラメータを推定する仕組みを数学的背景から解説。統計検定準1級対策にも最適です。
- [ベイズ推定をわかりやすく解説｜事後分布から推定量を導く方法](https://statisticsschool.com/【ベイズ法】事後分布から推定量を導く方法につ/) - ベイズ推定の目的 ベイズの定理からしっかり解説するので、これからベイズ推定について知見を深めたい人や、MCMC ベイズ推定の目的 ベイズの定理からしっかり解説するので、これからベイズ推定について知見を深めたい人や、MCMC
- [【統計検定】確率分布のモーメント(積率)母関数完全ガイド|導出チートシート](https://statisticsschool.com/【統計検定】確率分布のモーメント積率母関数完/) - 統計検定対策に必須！主要な確率分布（正規分布、ポアソン分布、二項分布など）のモーメント母関数（積率母関数）の導出方法を一覧で解説。期待値や分散の計算をマスターしたい方必見のチートシートです。
- [【深層生成モデル】VAEの仕組みをわかりやすく解説｜ベイズ統計](https://statisticsschool.com/【深層生成モデル】vaeの仕組みをわかりやすく解/) - VAE(変分オートエンコーダ)の仕組みをわかりやすく解説。深層生成モデルの基礎として、オートエンコーダとの違いから、潜在変数、変分下界(ELBO)、KLダイバージェンス、Reparameterization Trickまで数学的背景を交えて説明します。
- [多変量正規分布の確率密度関数と主な性質を解説|機械学習・統計学の基礎](https://statisticsschool.com/多変量正規分布の確率密度関数と主な性質を解説/) - 多変量正規分布の確率密度関数、共分散行列、線形結合や条件付き分布などの主要な性質をわかりやすく解説。機械学習や統計的推論での活用例、カイ二乗分布への応用も紹介します。
- [ロジスティック回帰についてわかりやすく解説【二項分布】【統計検定】](https://statisticsschool.com/【0or1】ロジスティック回帰について/) - ロジスティック回帰とは？0か1の二値分類を行う機械学習の手法を、一般化線形モデル(GLM)や二項分布との関連、オッズの解釈を含めてわかりやすく解説。コードによる実践例も紹介します。
- [尤度比検定とは？わかりやすく解説｜カイ2乗分布との関わり](https://statisticsschool.com/【汎用性抜群】尤度比検定をわかりやすく解説し/) - 汎用性の高い「尤度比検定」をわかりやすく解説。2つの統計モデル（完全モデル・縮小モデル）の適合度を比較する手法、検定統計量とカイ2乗分布の関係、GLMでのPython実装例までを紹介します。
- [【ベイズ因子】オッズ比の使われ方を紹介します](https://statisticsschool.com/【ベイズ因子】オッズ比を実例を通して紹介/) - オッズ比とは何か、実例（食中毒）を用いて計算方法と解釈をわかりやすく解説します。さらに、ベイズ因子とオッズの関係やロジスティック回帰での使われ方まで、統計学の観点から深く掘り下げます。
- [【完全版】二項分布をわかりやすく説明｜統計学](https://statisticsschool.com/【完全版】二項分布をわかりやすく説明｜統計学/) - 二項分布をわかりやすく解説。定義、期待値・分散の求め方から、正規近似、ベータ分布との共役関係まで。統計検定対策にも最適。
- [ロジスティック分布とは？シグモイド関数との関わりも解説](https://statisticsschool.com/ロジスティック分布とは？シグモイド関数との関/) - ロジスティック分布の定義と性質をわかりやすく解説。なぜ累積分布関数がシグモイド関数になるのか、ロジスティック回帰や機械学習でどのように使われるのか、その数学的背景を学びます。
- [不偏性と不偏分散についてわかりやすく解説](https://statisticsschool.com/【n-1で割る理由】不偏分散と不偏性についてわか/) - なぜ標本分散の分母は $n-1$ なのか？統計学で重要な『不偏分散』と『不偏性』について、数式を交えてわかりやすく解説します。この記事で、推定量が満たすべき望ましい性質とバイアスの概念を理解しましょう。
- [【例題付き】ラグランジュ未定乗数法の基本と応用をわかりやすく解説](https://statisticsschool.com/【例題付き】ラグランジュ未定乗数法の基本と応/) - ラグランジュ未定乗数法の基本をわかりやすく解説。制約付き最適化問題とは何か、多次元での計算手順、ヘッセ行列による二次条件まで。経済学の効用最大化問題を例題に、具体的な解き方をステップバイステップで学びます。
- [【計量経済学】IPW推定量をわかりやすく解説｜因果推論](https://statisticsschool.com/【計量経済学】ipw推定量をわかりやすく解説｜因/) - 因果推論の手法「IPW推定量」をわかりやすく解説。IPW（逆確率重み付け）がなぜバイアスを補正できるのか、前提となる傾向スコアの役割から、潜在的アウトカムを用いた数学的背景、Horvitz-Thompson推定量まで、計量経済学の観点で紹介します。
- [【因果推論】uplift modeling(アップリフトモデリング)とは？詳しく解説｜TWO MODELとX LEARNER](https://statisticsschool.com/【因果推論】uplift-modelingアップリフトモデリングについ/) - 「因果推論」の手法であるアップリフトモデリング(Uplift Modeling)について解説します。マーケティング施策の「個の因果」を捉え、ROIを最大化する必要性から、Two-ModelアプローチやX-LearnerなどのMeta-Learnersまで、数学的背景と共に詳しく紹介します。
- [期待値と分散について｜確率論と統計学の重要概念をわかりやすく解説](https://statisticsschool.com/期待値と分散について｜確率論と統計学の重要概/) - 統計学の重要概念「期待値」と「分散」とは何か？この記事では、それぞれの数学的な定義（離散・連続）から、標準偏差や二項分布との関係、具体的な計算例まで、初学者にもわかりやすく解説します。
- [相互情報量の定義とその重要性をわかりやすく解説 | KLダイバージェンス](https://statisticsschool.com/相互情報量の定義とその重要性をわかりやすく解/) - 相互情報量とは何か？この記事では、情報理論の重要概念である相互情報量の定義と性質を、エントロピーやKLダイバージェンスとの関係からわかりやすく解説。機械学習での活用法（変数選択など）も紹介します。
- [共分散と相関係数をわかりやすく解説 - 2変数間の関係性を測る指標](https://statisticsschool.com/共分散と相関係数をわかりやすく解説-2変数間の/) - 共分散と相関係数とは？2変数間の線形な関係性を測る指標をわかりやすく解説。共分散の定義と計算式、スケールに依存する弱点を補う「相関係数（-1から1）」の計算方法と違いを学びます。
- [変動係数とは？わかりやすく解説｜統計検定2級](https://statisticsschool.com/変動係数とは？｜確率変数の相対的な散らばりを/) - 変動係数とは？統計検定2級レベルでわかりやすく解説。標準偏差を平均値で割る理由、平均が異なるデータの相対的なばらつきを比較する方法を具体例で学びます。変動係数の計算式、導出、限界もカバー。
- [【統計検定でも頻出】母比率の差の検定と具体例](https://statisticsschool.com/【統計検定でも頻出】母比率の差の検定と具体例/) - 「母比率の差の検定」について、統計検定で頻出のポイントを解説します。二項分布や正規分布近似などの理論的背景から、検定統計量の計算手順、臨床試験を用いた具体例までわかりやすく説明。統計学の学習や統計検定対策に最適です。
- [【統計検定】偏相関係数の概念と計算方法 - 多変量解析の基礎](https://statisticsschool.com/【統計検定】偏相関係数の概念と計算方法-多変/) - 偏相関係数とは何か、その概念と計算方法をわかりやすく解説。他の変数の影響（交絡）を除去し、2変数間の純粋な相関を測る方法を学びます。多変量解析の基礎であり、統計検定対策にも最適です。
- [生存時間解析をわかりやすく解説- ポアソン過程との関係と最尤推定](https://statisticsschool.com/生存時間解析をわかりやすく解説-ポアソン過程と/) - 生存時間解析の基本をわかりやすく解説。ハザード率が一定の指数分布をベースに、その数学的背景、ポアソン過程との深い関係、最尤推定によるパラメータ推定までを説明します。
- [【共変量の調整】傾向スコア・マッチングによる因果推論 | python](https://statisticsschool.com/【共変量の調整】傾向スコア・マッチングによる/) - 傾向スコア・マッチング（PSM）を用いて、共変量を調整しセレクションバイアスを除去する方法を解説。因果推論の基本的なアプローチであるPSMの理論と、具体的な分析手順を学び、介入効果をより正確に推定しましょう。 こんにちは、青の統計学です。 今回は傾向スコアをご紹介します。 因果推論でよく出てくる考え方ですので、しっかり
- [負の二項分布をわかりやすく解説](https://statisticsschool.com/負の二項分布をわかりやすく解説/) - 負の二項分布をわかりやすく解説。定義、期待値、分散、幾何分布との関係を説明。ポアソン分布で扱えない「過分散」のモデル化や、生物学分野での応用例、Pythonでの推定方法も紹介。
- [グラフニューラルネットワークの基礎と応用事例](https://statisticsschool.com/グラフニューラルネットワークの基礎と応用事例/) - グラフニューラルネットワーク(GNN)の基礎理論から、GCN, GraphSAGE, GATなど主要モデルの仕組みまでをわかりやすく解説。創薬・分子特性予測への応用事例や、PyTorch Geometricを使った実装コードも紹介します。
- [サンプルサイズ設計のガイド：基礎理論と実践をわかりやすく](https://statisticsschool.com/サンプルサイズ設計のガイド：基礎理論と実践を/) - 統計的な調査やABテストに不可欠な「サンプルサイズ設計」について、基礎理論から実践的な計算方法（平均値、比率の推定、仮説検定）までを解説。検出力や効果量も考慮し、CM効果測定の具体例も紹介します。
- [効果量とは？サンプルサイズ設計を実務で使うには](https://statisticsschool.com/効果量とは？サンプルサイズ設計を実務で使うに/) - 効果量（Effect Size）の基本的な概念と、統計的に有意な差を検出するために必要なサンプルサイズ設計について解説します。実務でA/Bテストや研究計画を立てる際に役立つ、検出力分析の基礎を学びましょう。
- [確率密度関数とは？確率質量関数との違いも解説](https://statisticsschool.com/確率密度関数とは？確率質量関数との違いも解説/) - 確率密度関数(PDF)とは？本記事では、統計学の基礎である確率密度関数について、その定義、性質、面積が確率となる仕組みを解説します。また、離散型変数を扱う「確率質量関数(PMF)」との明確な違い（積分と総和）を比較しながら、両者の使い方をわかりやすく説明します。
- [DBSCANとは？密度ベースのクラスタリングを解説](https://statisticsschool.com/dbscanとは？密度ベースのクラスタリングを解説/) - DBSCANとは？本記事では、密度ベースのクラスタリング手法「DBSCAN」について、k-meansとの違い（任意の形状のクラスタ検出、ノイズ識別）を明確にしながら、その仕組み（eps, MinPts, コアポイント）からPythonでの実装、パラメータの選び方までをわかりやすく解説します。
- [スペクトラルクラスタリングとは？非線形データの分類](https://statisticsschool.com/スペクトラルクラスタリングとは？非線形データ/) - スペクトラルクラスタリングとは？本記事では、非線形データ（半月形や同心円状）の分類を得意とする教師なし学習手法「スペクトラルクラスタリング」について、数学的背景（ラプラシアン行列、固有値分解）からPythonによる実装方法まで、k-meansとの比較を交えてわかりやすく解説します。
- [中心極限定理についてわかりやすく解説｜大数の法則との違い](https://statisticsschool.com/中心極限定理についてわかりやすく解説｜大数の/) - なぜ中心極限定理は統計学で重要なのか？この記事では、中心極限定理の意味と「大数の法則」との決定的な違いをわかりやすく解説します。統計検定やデータサイエンスの学習に必須の基礎理論です。
- [【カイ2乗検定】独立性検定と適合度検定についてわかりやすく解説](https://statisticsschool.com/【カイ2乗検定】独立性検定と適合度検定について/) - カイ二乗検定の「独立性検定」と「適合度検定」の違いをわかりやすく解説。この記事では、カイ二乗検定の2つの主要な使い方を、統計学の初学者にもわかりやすく解説。統計検定の学習やデータ分析に必須の知識です。
- [ローレンツ曲線・ジニ係数・パレート分布をまとめて理解｜不平等を数学で捉える](https://statisticsschool.com/ローレンツ曲線・ジニ係数・パレート分布をまと/) - 経済格差を示すローレンツ曲線とジニ係数、そして「80:20の法則」で知られるパレート分布。統計学で重要なこれらの概念を基礎から解説します。データサイエンスや統計検定の学習にも役立つ知識です。
- [【超入門】統計学とは？文系でもわかる『データを武器にする』ための第一歩](https://statisticsschool.com/【超入門】統計学とは？文系でもわかる『データ/) - 統計学とは何か？文系でもわかるように、記述統計や推測統計の基礎、大数の法則、仮説検定までを優しく解説します。データサイエンスの第一歩として、統計学の基本的な考え方を学びましょう。
- [【統計学】ポアソン分布についてわかりやすく解説](https://statisticsschool.com/【統計学】ポアソン分布についてわかりやすく解/) - ポアソン分布(poisson distribution) 統計学および確率論で用いられるポアソン分 ポアソン分布(poisson distribution) 統計学および確率論で用いられるポアソン分
- [【統計検定2級】歪度と尖度をわかりやすく解説|python](https://statisticsschool.com/【統計検定2級】歪度と尖度を実例を通して/) - こんにちは、青の統計学です。 今回は尖度と歪度という2つの統計量をみてみましょう。 モーメントを使った算出式を
- [【統計検定2級で最も厄介(主観)】分散分析を解説します②](https://statisticsschool.com/【統計検定2級で最も厄介主観】分散分析を解説/) - さて、前回の記事に続いて分散分析を解説していきます。 補足｜F分布について 分散分析で使うF統計量は、F分布と
- [【統計検定2級で最も手強い(主観)】分散分析について解説します①](https://statisticsschool.com/【統計検定2級で最も手強い主観】分散分析につ/) - こんにちは、青の統計学です。 統計検定では、実験計画法の分野で「分散分析」というものがよく出ており、「自由度」
- [【時系列】ARモデルをわかりやすく解説|Yule-Walker法や最尤法も](https://statisticsschool.com/【時系列】arモデルをわかりやすく解説yule-walker法や最/) - こんにちは、青の統計学です。 今回解説するのは、時系列モデルの基礎であるARモデルです。 まずは数式を見てみま
- [【例題つき】固定効果推定と固定効果モデルについてわかりやすく解説|ランダム効果](https://statisticsschool.com/【例題つき】固定効果推定と固定効果モデルにつ/) - よりお手軽に学習したい方は以下の聞き流し動画から聞いてみるのがおすすめです。 固定効果(fixed effec
- [層化抽出法の比例配分とネイマン配分をわかりやすく解説【統計検定準一級】](https://statisticsschool.com/層化抽出法の比例配分とネイマン配分をわかりや/) - 層化抽出法 層化抽出法は、母集団を互いに排反な部分集合（層）に分割し、各層から独立に標本を抽出する方法です。 層化抽出法 層化抽出法は、母集団を互いに排反な部分集合（層）に分割し、各層から独立に標本を抽出する方法です。
- [【統計検定準一級】回帰診断法とは？｜残差プロットとleverageをわかりやすく解説](https://statisticsschool.com/【統計検定準一級】回帰診断法とは？｜残差プロ/) - 回帰診断法 回帰診断法は、回帰分析において誤差項の仮定が成立しているかどうかを評価する手法です。 独立性: 誤
- [【高校数学でわかる】分散と標準偏差をわかりやすく解説|散らばりの指標](https://statisticsschool.com/【高校数学i】分散と標準偏差とは？lv-定期テスト/) - 分散(variance)と標準偏差(standard deviation) こんにちは、青の統計学です。 今回
- [【統計】標準誤差を例題を通してわかりやすく解説｜python](https://statisticsschool.com/【standard-error】標準誤差を例題を通して解説。/) - 統計検定などで、信頼区間を求めることは多くあります。 そこで必要なのが標準誤差という概念です。 分布によって誤
- [【t検定】t統計量(t値)の求め方](https://statisticsschool.com/【t検定】t統計量t値の求め方/) - t統計量（t value）について t統計量とは、t検定で使う検定統計量のことです。 t統計量は、回帰分析や仮
- [【統計検定2級】分散分析の信頼区間について|python](https://statisticsschool.com/【統計検定2級】分散分析の信頼区間についてpython/) - 統計検定2級の中でも手強い分野の一つ、「分散分析」を扱います。 中でも、分散分析の信頼区間は盲点になることが多 統計検定2級の中でも手強い分野の一つ、「分散分析」を扱います。 中でも、分散分析の信頼区間は盲点になることが多
- [分散分析と共分散分析：基礎からPython実装までわかりやすく解説](https://statisticsschool.com/【python】分散分析anovaの基礎から応用まで統計的仮説/) - こんにちは、青の統計学です。 「分散分析（ANOVA）」と、そこからさらに一歩進んだ「共分散分析（ANCOVA こんにちは、青の統計学です。 「分散分析（ANOVA）」と、そこからさらに一歩進んだ「共分散分析（ANCOVA
- [【統計検定】ポアソン過程をわかりやすく解説|待ち行列理論](https://statisticsschool.com/【統計検定】ポアソン過程をわかりやすく解説待/) - こんにちは、青の統計学です。 今回は統計検定準一級から登場する確立過程の一つ「ポアソン過程」について解説いたし こんにちは、青の統計学です。 今回は統計検定準一級から登場する確立過程の一つ「ポアソン過程」について解説いたし
- [ブートストラップ法についてわかりやすく解説|R](https://statisticsschool.com/st_bootstrap/) - ブートストラップ法(bootstrap method) ブートストラップ法とは、限られた標本データから母集団の ブートストラップ法(bootstrap method) ブートストラップ法とは、限られた標本データから母集団の
- [【モデル選択】AIC(赤池情報量基準)についてわかりやすく解説](https://statisticsschool.com/【モデル選択】aic赤池情報量基準についてわかり/) - 1：AICとは何か AICは「複数の統計モデルのうち、どれがより予測に適しているか」を評価するために考案された 1：AICとは何か AICは「複数の統計モデルのうち、どれがより予測に適しているか」を評価するために考案された
- [【尤度とは？】最尤法についてわかりやすく解説｜最尤推定量](https://statisticsschool.com/【尤度って？】尤度関数と最尤推定量の解説と例/) - こんにちは、青の統計学です。 今回は、統計学の中で必須の知識「尤度」について解説いたします。 尤度とは？ 確率 こんにちは、青の統計学です。 今回は、統計学の中で必須の知識「尤度」について解説いたします。 尤度とは？ 確率
- [【F値とは】分散分析による検定の多重性について|統計検定準1級](https://statisticsschool.com/【統計検定準一級】分散分析による検定の多重性/) - 統計検定準一級では、2級同様「分散分析」の内容が出てきます。 今回は、前回と視点を変えた「検定の多重性」につい 統計検定準一級では、2級同様「分散分析」の内容が出てきます。 今回は、前回と視点を変えた「検定の多重性」につい
- [【統計検定準一級】ランダムウォークとマルチンゲールの話。](https://statisticsschool.com/【統計検定準一級】ランダムウォークとマルチン/) - こんにちは、青の統計学です。 統計検定準一級では、「この確立過程Sは、マルチンゲールかどうか？」という問題が出 こんにちは、青の統計学です。 統計検定準一級では、「この確立過程Sは、マルチンゲールかどうか？」という問題が出
- [主成分分析（PCA）をわかりやすく解説【統計検定準一級】｜python](https://statisticsschool.com/【共線性解決】pythonで主成分分析をやってみた/) - 主成分分析 青の統計学へようこそ。 今回は、教師なし学習の一つ「主成分分析」について解説いたします。 数学的背 主成分分析 青の統計学へようこそ。 今回は、教師なし学習の一つ「主成分分析」について解説いたします。 数学的背
- [【MSEを最小化】ガウス・マルコフの定理と最良線形不偏推定量について](https://statisticsschool.com/【mseを最小化】ガウス・マルコフの定理と最良線/) - 回帰分析等で算出した推定量を評価するとき、どのような指標があるでしょうか。 これまでは、一致性や不偏性を取り上 回帰分析等で算出した推定量を評価するとき、どのような指標があるでしょうか。 これまでは、一致性や不偏性を取り上
- [ガンマ分布とは？リスク解析と保険数理に使える分布](https://statisticsschool.com/ガンマ分布とは？リスク解析と保険数理に使える/) - ガンマ分布とは ガンマ分布とは、連続型の確率分布の一種で、主に「待ち時間」や「寿命」「損害額」などのモデリング ガンマ分布とは ガンマ分布とは、連続型の確率分布の一種で、主に「待ち時間」や「寿命」「損害額」などのモデリング
- [多項分布とは？ビジネスの活用範囲の多い分布](https://statisticsschool.com/多項分布とは？ビジネスの活用範囲の多い分布/) - 多項分布って？ 多項分布とは、複数のカテゴリにまたがって起こりうる事象を、一定回数の試行によって観測したときに 多項分布って？ 多項分布とは、複数のカテゴリにまたがって起こりうる事象を、一定回数の試行によって観測したときに
- [幾何分布とは？意外とビジネスに役立つ確率分布](https://statisticsschool.com/幾何分布とは？意外とビジネスに役立つ確率分布/) - 1. 幾何分布（Geometric Distribution）の概要 幾何分布は、離散確率分布の一種で「ある試 1. 幾何分布（Geometric Distribution）の概要 幾何分布は、離散確率分布の一種で「ある試
- [【等分散の仮定編】2標本問題をわかりやすく解説|推定と検定](https://statisticsschool.com/【等分散の仮定編】2標本問題ってなんだ？/) - こんにちは、青の統計学です。 今回は、2標本問題について扱います。 確率変数が2つ登場するため難しいですが、応 こんにちは、青の統計学です。 今回は、2標本問題について扱います。 確率変数が2つ登場するため難しいですが、応
- [【期待値の応用】モーメント母関数(積率母関数)について](https://statisticsschool.com/【期待値の応用】モーメント法とモーメント母関/) - 統計検定準一級には、積率母関数についての問題があります。 マクローリン展開や合成関数の微分の知識が必要なことか 統計検定準一級には、積率母関数についての問題があります。 マクローリン展開や合成関数の微分の知識が必要なことか
- [【外れ値に対処】順位相関係数と相関係数の違いについて | python](https://statisticsschool.com/【外れ値に対処】順位相関係数と相関係数の違い/) - 相関係数は、外れ値があると大きく値が変わってしまうという特徴があり、正確な関係の把握が難しい場合があります。 相関係数は、外れ値があると大きく値が変わってしまうという特徴があり、正確な関係の把握が難しい場合があります。
- [超幾何分布をわかりやすく解説｜非復元抽出](https://statisticsschool.com/超幾何分布をわかりやすく解説｜非復元抽出/) - 1. 超幾何分布 1.1 超幾何分布とは 超幾何分布は、有限個からなる母集団から非復元抽出を行うときに、「特定 1. 超幾何分布 1.1 超幾何分布とは 超幾何分布は、有限個からなる母集団から非復元抽出を行うときに、「特定
- [【python】Ridge(リッジ)回帰で多重共線性を解決する話](https://statisticsschool.com/【python】ridgeリッジ回帰で多重共線性を解決する話/) - リッジ回帰とは、重回帰分析の一つであり、機械学習には厄介な「多重共線性」の影響を少なくできる手法のひとつです。 リッジ回帰とは、重回帰分析の一つであり、機械学習には厄介な「多重共線性」の影響を少なくできる手法のひとつです。
- [【多変量解析】ROC曲線とAUCによる判別分析|python](https://statisticsschool.com/【多変量解析】roc曲線とaucによる判別分析python/) - 機械学習の問題は回帰問題と分類問題に大別されます。 そして、分類問題の指標でよく扱われるかつ、不均衡問題で威力 機械学習の問題は回帰問題と分類問題に大別されます。 そして、分類問題の指標でよく扱われるかつ、不均衡問題で威力
- [【判別問題】サポートベクトルマシン(SVM)の仕組み|python](https://statisticsschool.com/【判別問題】サポートベクトルマシンsvmの仕組みpytho/) - 今回は2値の判別問題で効果を発揮する、サポートベクトルマシン(support vector machine)に 今回は2値の判別問題で効果を発揮する、サポートベクトルマシン(support vector machine)に
- [p値をわかりやすく解説｜検出力を使った具体例](https://statisticsschool.com/【仮説検定】p値をゼロから解説python/) - 1. p値の定義と計算方法 1.1 p値の定義 p値 は、統計検定において次のように定義される数値です。 4. 1. p値の定義と計算方法 1.1 p値の定義 p値 は、統計検定において次のように定義される数値です。 4.
- [【統計検定】フィッシャー情報量とクラメール・ラオの不等式について解説|python](https://statisticsschool.com/【統計検定】フィッシャー情報量とクラメール・/) - こんにちは、青の統計学です。 今回は、正規分布を例に取って、フィッシャー情報量とクラメール・ラオの不等式につい こんにちは、青の統計学です。 今回は、正規分布を例に取って、フィッシャー情報量とクラメール・ラオの不等式につい
- [【python】Lasso(ラッソ)回帰で疎なデータに対応しよう|機械学習](https://statisticsschool.com/【python】lassoラッソ回帰で疎なデータに対応しよう機/) - こんにちは、青の統計学です。 今回は、スパース学習の代表例である、Lasso(回帰)について解説いたします。 こんにちは、青の統計学です。 今回は、スパース学習の代表例である、Lasso(回帰)について解説いたします。
- [【例題あり】一様分布についてわかりやすく解説](https://statisticsschool.com/【例題あり】一様分布についてわかりやすく解説/) - 一様分布 一様分布は最もシンプルな連続確率分布の一つで、「同じ確率で起こる」という直感的な概念を数学的に表現し 一様分布 一様分布は最もシンプルな連続確率分布の一つで、「同じ確率で起こる」という直感的な概念を数学的に表現し
- [【統計検定】有限母集団修正についてわかりやすく解説｜無限母集団との違い](https://statisticsschool.com/【統計検定】有限母集団修正についてわかりやす/) - 有限母集団修正（Finite Population Correction, FPC） 有限母集団修正とは、有限 有限母集団修正（Finite Population Correction, FPC） 有限母集団修正とは、有限
- [【python】主成分分析(+回帰)の仕組みとコード例|教師なし学習](https://statisticsschool.com/【python】主成分分析回帰の仕組みとコード例教師な/) - こんにちは、青の統計学です。 今回は教師なし学習の一つ「主成分分析」について解説いたします。 以下の記事よりも こんにちは、青の統計学です。 今回は教師なし学習の一つ「主成分分析」について解説いたします。 以下の記事よりも
- [ベルヌーイ分布の基本を徹底解説！期待値・分散の計算方法とは？](https://statisticsschool.com/ベルヌーイ分布の基本を徹底解説！期待値・分散/) - ベルヌーイ分布とは？ ベルヌーイ分布は、確率論と統計学の基礎を成す確率分布で、成功と失敗の2つの結果しか持たな ベルヌーイ分布とは？ ベルヌーイ分布は、確率論と統計学の基礎を成す確率分布で、成功と失敗の2つの結果しか持たな
- [ベータ分布についてわかりやすく解説｜二項分布との関わり](https://statisticsschool.com/ベータ分布についてわかりやすく解説｜二項分布/) - ベータ分布とは？ ベータ分布は、0から1の間の値を取る確率変数をモデル化するために用いられる連続確率分布です。 ベータ分布とは？ ベータ分布は、0から1の間の値を取る確率変数をモデル化するために用いられる連続確率分布です。
- [カイ二乗分布とは？正規分布との関わりとわかりやすく解説](https://statisticsschool.com/カイ二乗分布の基礎と統計学における重要な役割/) - カイ２乗分布 カイ二乗分布は連続確率分布の一つです。 この分布は、正規分布に従う独立な確率変数の二乗和によって カイ２乗分布 カイ二乗分布は連続確率分布の一つです。 この分布は、正規分布に従う独立な確率変数の二乗和によって
- [指数分布をわかりやすく解説｜無記憶性](https://statisticsschool.com/指数分布をわかりやすく解説｜無記憶性/) - 指数分布 指数分布は、連続型確率分布の一つですね。 大学の学部レベルの試験や統計検定二級まで、頻出です。 この 指数分布 指数分布は、連続型確率分布の一つですね。 大学の学部レベルの試験や統計検定二級まで、頻出です。 この
- [重回帰分析をわかりやすく解説 - 目的変数と複数の説明変数の関係を分析する手法](https://statisticsschool.com/重回帰分析をわかりやすく解説-目的変数と複数/) - 重回帰分析とOLS 重回帰分析は、1つの目的変数と複数の説明変数の間の関係を分析する手法です。 具体的な定義の 重回帰分析とOLS 重回帰分析は、1つの目的変数と複数の説明変数の間の関係を分析する手法です。 具体的な定義の
- [F検定とは？F分布も含めてわかりやすく解説｜分散分析](https://statisticsschool.com/f検定の理論的背景と分散比の検定方法/) - 1. F検定の概要とその重要性 1.1 F検定とは？ F検定は、2つ以上の母集団の分散の比を統計的に検定するた 1. F検定の概要とその重要性 1.1 F検定とは？ F検定は、2つ以上の母集団の分散の比を統計的に検定するた
- [母分散の区間推定と検定 - 標本からの母集団の分散推定手法](https://statisticsschool.com/母分散の区間推定と検定-標本からの母集団の分/) - こんにちは、青の統計学です！ 今回は、母分散の区間推定と検定 について解説します。 数学的背景も踏まえて、理解 こんにちは、青の統計学です！ 今回は、母分散の区間推定と検定 について解説します。 数学的背景も踏まえて、理解
- [【生存時間解析】ワイブル分布をわかりやすく｜確率分布とパラメータ推定方法](https://statisticsschool.com/【生存時間解析】ワイブル分布をわかりやすく｜/) - ワイブル分布は、製品の故障時間や材料の寿命、医療分野の生存時間解析などで広く使われている連続確率分布です。機械 ワイブル分布は、製品の故障時間や材料の寿命、医療分野の生存時間解析などで広く使われている連続確率分布です。機械
- [SARIMAモデルについてわかりやすく解説｜定常時系列解析](https://statisticsschool.com/sarimaモデルについてわかりやすく解説｜定常時系列/) - SARIMAモデル SARIMA（Seasonal AutoRegressive Integrated Mov SARIMAモデル SARIMA（Seasonal AutoRegressive Integrated Mov
- [【python】行列式や逆行列は機械学習でどう使われるのか|線形代数の活用方法](https://statisticsschool.com/【rで実践】ベクトル【python】行列式や逆行列は機械/) - 大学数学で習う線形代数は、統計学や機械学習ではどのように活用されているのでしょうか？ なんとなく説明変数をたく
- [ベルマン方程式をわかりやすく解説｜動的計画法](https://statisticsschool.com/ベルマン方程式をわかりやすく解説強化学習や動/) - こんにちは、青の統計学です。 今回は、ベルマン方程式についてわかりやすく解説します。 経済学部出身だったのでマ こんにちは、青の統計学です。 今回は、ベルマン方程式についてわかりやすく解説します。 経済学部出身だったのでマ
- [【論文解説】リンパ節ごとのTCRレパトア解析(1)](https://statisticsschool.com/【論文解説】hsieh2008リンパ節ごとのtcrレパトア解析1/) - これってどんな論文？ Antigen-specific peripheral shaping of the n これってどんな論文？ Antigen-specific peripheral shaping of the n
- [【論文解説】リンパ節ごとのTCRレパトア解析(2)](https://statisticsschool.com/【論文解説】リンパ節ごとのtcrレパトア解析2/) - この記事では、以下の論文を紹介しています。 Stephanie K. Lathrop, Nicole A. S この記事では、以下の論文を紹介しています。 Stephanie K. Lathrop, Nicole A. S
- [【論文解説】リンパ節ごとのレパトア解析(3)](https://statisticsschool.com/【論文解説】リンパ節ごとのレパトア解析3/) - (3)では、前半部分の、リンパ節ごとのレパトア解析に触れます。 この記事では、以下の論文を紹介しています。 S (3)では、前半部分の、リンパ節ごとのレパトア解析に触れます。 この記事では、以下の論文を紹介しています。 S
- [【論文解説】リンパ節ごとのレパトア解析(4)](https://statisticsschool.com/【論文解説】リンパ節ごとのレパトア解析4/) - (4)では、resultの後半部分、T細胞の移入実験を解説します。 この記事では、以下の論文を紹介しています。 (4)では、resultの後半部分、T細胞の移入実験を解説します。 この記事では、以下の論文を紹介しています。
- [【GLMM】一般化線形混合モデルについてわかりやすく解説](https://statisticsschool.com/【glmm】一般化線形混合モデルについて解説。/) - 1. 一般化線形モデル (GLM) と固定効果モデル まずは、前提知識を確認しましょう。 一般化線形モデル ( 1. 一般化線形モデル (GLM) と固定効果モデル まずは、前提知識を確認しましょう。 一般化線形モデル (
- [【完全攻略】多重共線性をわかりやすく解説](https://statisticsschool.com/【説明変数の相関】多重共線性を解説します。/) - 多重共線性(Multicollinearity)とは 重回帰分析を勉強していると、最小二乗法の仮定の一つに「多 多重共線性(Multicollinearity)とは 重回帰分析を勉強していると、最小二乗法の仮定の一つに「多
- [【線形代数】固有値や固有ベクトルは機械学習にどう使われているのか|主成分分析](https://statisticsschool.com/【線形代数】固有値や固有ベクトルは機械学習に/) - こんにちは、青の統計学です。 今回は、前回大好評だった「線形代数がデータサイエンスにどう使われているのかシリー こんにちは、青の統計学です。 今回は、前回大好評だった「線形代数がデータサイエンスにどう使われているのかシリー
- [UI/UX 改善における統計的アプローチ： ～サンプリング設計とベイズ推論の活用～](https://statisticsschool.com/ui-ux-改善における統計的アプローチ：-～サンプリン/) - 1. UI/UX 改善と統計学の関係 ユーザーの操作感やインタラクションをより快適にするためのUI/UX改善は 1. UI/UX 改善と統計学の関係 ユーザーの操作感やインタラクションをより快適にするためのUI/UX改善は
- [共分散分析(ANCOVA)とは？回帰分析や分散分析との違いもわかりやすく解説](https://statisticsschool.com/【python】共分散分析ancovaの基礎から応用まで因果推論/) - こんにちは、青の統計学です。 今回は、共分散分析について解説いたします。交絡因子等のバイアスを排除する上での便 こんにちは、青の統計学です。 今回は、共分散分析について解説いたします。交絡因子等のバイアスを排除する上での便
- [【論文解説】Tregが末梢で生き残るためにはTCRが必要(1)](https://statisticsschool.com/【論文解説】tregが末梢で生き残るためにはtcrが必要1/) - 今回紹介するのは以下の論文です。 Levine, A., Arvey, A., Jin, W. et 今回紹介するのは以下の論文です。 Levine, A., Arvey, A., Jin, W. et
- [【論文解説】Tregが末梢で生き残るためにはTCRが必要(2)](https://statisticsschool.com/【論文解説】tregが末梢で生き残るためにはtcrが必要2/) - 以下の論文を解説しています。 Levine, A., Arvey, A., Jin, W. et a 以下の論文を解説しています。 Levine, A., Arvey, A., Jin, W. et a
- [【論文解説】Tregが末梢で生き残るためにはTCRが必要(3)](https://statisticsschool.com/【論文解説】tregが末梢で生き残るためにはtcrが必要3/) - 今回紹介するのは以下の論文です。 Levine, A., Arvey, A., Jin, W. et 今回紹介するのは以下の論文です。 Levine, A., Arvey, A., Jin, W. et
- [【論文解説】Tregが末梢で生き残るためにはTCRが必要(4)](https://statisticsschool.com/【論文解説】tregが末梢で生き残るためにはtcrが必要4/) - 今回紹介するのは以下の論文です。 Levine, A., Arvey, A., Jin, W. et 今回紹介するのは以下の論文です。 Levine, A., Arvey, A., Jin, W. et
- [【論文解説】Tregが末梢で生き残るためにはTCRが必要(5)](https://statisticsschool.com/【論文解説】tregが末梢で生き残るためにはtcrが必要5/) - 今回紹介するのは以下の論文です。 Levine, A., Arvey, A., Jin, W. et 今回紹介するのは以下の論文です。 Levine, A., Arvey, A., Jin, W. et
- [自己組織化マップとは？データの視覚的探索と次元削減の手法](https://statisticsschool.com/自己組織化マップとは？データの視覚的探索と次/) - 自己組織化マップとは？ 自己組織化マップ（Self-Organizing Map,SOM）は、高次元のデータを 自己組織化マップとは？ 自己組織化マップ（Self-Organizing Map,SOM）は、高次元のデータを
- [混合ガウス分布とは？わかりやすく解説](https://statisticsschool.com/混合ガウス分布とは？わかりやすく解説/) - はじめに 正規分布(ガウス分布)は、統計学や機械学習における基本的な確率分布であり、データが平均を中心に左右対 はじめに 正規分布(ガウス分布)は、統計学や機械学習における基本的な確率分布であり、データが平均を中心に左右対
- [コーシー分布とは？わかりやすく解説](https://statisticsschool.com/コーシー分布とは？わかりやすく解説/) - 1. コーシー分布とは？ざっくり解説 はじめに、コーシー分布は「重い裾(fat-tail)を持つ分布」として知 1. コーシー分布とは？ざっくり解説 はじめに、コーシー分布は「重い裾(fat-tail)を持つ分布」として知
- [コサイン類似度とは？高校数学で理解する](https://statisticsschool.com/【python】コサイン類似度は高校数学の知識で理解で/) - 1. コサイン類似度とは？ ベクトル同士の“方向の近さ”を測る指標 コサイン類似度（Cosine Simila 1. コサイン類似度とは？ ベクトル同士の“方向の近さ”を測る指標 コサイン類似度（Cosine Simila
- [【周期性を掴もう】pythonでコレログラムを書いてみましょう](https://statisticsschool.com/【周期性を掴もう】pythonでコレログラムを書いてみ/) - ヒストグラムや折れ線グラフなどはよく耳にしますが、「コレログラム」は聞いたことがないかたも多いと思います。 今 ヒストグラムや折れ線グラフなどはよく耳にしますが、「コレログラム」は聞いたことがないかたも多いと思います。 今
- [【自然言語処理】単語の出現頻度を可視化させてみましょう | python](https://statisticsschool.com/【自然言語処理】単語の出現頻度を可視化させて/) - 今回は、形態素解析した単語たちを出現頻度ごとに集計してグラフ化させてみます。 アンケートや問い合わせの文言から 今回は、形態素解析した単語たちを出現頻度ごとに集計してグラフ化させてみます。 アンケートや問い合わせの文言から
- [【基本情報技術者】N進法を使った問題](https://statisticsschool.com/【基本情報処理技術者】n進法を使った問題/) - 高校数学では、「0110を10進数に直しましょう」などのN進数の問題が扱われます。 ただ、一瞬で単元が終わり、 高校数学では、「0110を10進数に直しましょう」などのN進数の問題が扱われます。 ただ、一瞬で単元が終わり、
- [【自然言語処理】検索クエリをベクトル空間に写像してクラスタリングしたい](https://statisticsschool.com/【自然言語処理】マルコフ連鎖を使った文章生成/) - こんにちは、青の統計学です。 筆者の業務で使うので、勉強がてらまとめていきます。 参考となるコードも紹介してい こんにちは、青の統計学です。 筆者の業務で使うので、勉強がてらまとめていきます。 参考となるコードも紹介してい
- [【N-gram】テキストをベクトルで表現するには | 自然言語処理](https://statisticsschool.com/【n-gram】テキストをベクトルで表現するには-自然言/) - 自然言語処理において、モデルへの入力はベクトルで与えることが想定されているので、テキストをモデルに変換する必要 自然言語処理において、モデルへの入力はベクトルで与えることが想定されているので、テキストをモデルに変換する必要
- [【試験直前ッ】基本情報・応用情報の午前チートシート|セキュリティ編](https://statisticsschool.com/【試験直前ッ】基本情報・応用情報の午前チート/) - このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日 このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日
- [【試験直前ッ】基本情報・応用情報の午前チートシート|ネットワーク編](https://statisticsschool.com/【試験直前ッ】基本情報・応用情報の午前チート-2/) - このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日 このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日
- [【試験直前ッ】基本情報・応用情報の午前チートシート|システム編](https://statisticsschool.com/【試験直前ッ】基本情報・応用情報の午前チート-3/) - このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日 このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日
- [【試験直前ッ】基本情報・応用情報の午前チートシート|データベース&プログラミング編](https://statisticsschool.com/【試験直前ッ】基本情報・応用情報の午前チート-4/) - このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日 このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日
- [【試験直前ッ】基本情報・応用情報の午前チートシート|テクノロジー編](https://statisticsschool.com/【試験直前ッ】基本情報・応用情報の午前チート-5/) - このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日 このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシート(随時更新)です。 前日
- [【忙しい人のための】基本情報・応用情報の午前チートシート|総集編](https://statisticsschool.com/【忙しい人のための】基本情報・応用情報の午前/) - このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシートです。 前日や試験直前に このコンテンツは、基本情報技術者試験・応用情報技術者試験に挑む方向けの午前チートシートです。 前日や試験直前に
- [【Box-Cox変換】様々な非線形変換について|python](https://statisticsschool.com/【box-cox変換】様々な非線形変換についてpython/) - 今回は、モデル選択やパラメータチューニングの前に行う、特徴量エンジニアリングについて解説いたします。 中でも、 今回は、モデル選択やパラメータチューニングの前に行う、特徴量エンジニアリングについて解説いたします。 中でも、
- [【kaggle】ベイズ最適化とXGBでtitanicの予測問題を解く|python](https://statisticsschool.com/【kaggle】ベイズ最適化とxgbでtitanicの予測問題を解くpython/) - 今回はハイパーパラメータのチューニング手法の一つである、ベイズ最適について解説いたします。 グリッドサーチやラ 今回はハイパーパラメータのチューニング手法の一つである、ベイズ最適について解説いたします。 グリッドサーチやラ
- [【論文解説】多重共線性は回帰分析にどのような影響を与えるのか](https://statisticsschool.com/【論文解説】多重共線性は回帰分析にどのような/) - こんにちは、青の統計学です。 今回は、多重共線性への理解を深め、対処などを考察するために論文を読んでみました。 こんにちは、青の統計学です。 今回は、多重共線性への理解を深め、対処などを考察するために論文を読んでみました。
- [【SHAP】特徴量重要度や寄与度、限界効果を意思決定者にうまく伝えたい話|python](https://statisticsschool.com/【shap】特徴量重要度や寄与度、限界効果を意思決/) - これは直近仕事で抱えている問題を整理するために書き上げたコンテンツです。 今回は、prediction(予測) これは直近仕事で抱えている問題を整理するために書き上げたコンテンツです。 今回は、prediction(予測)
- [【Leave-one-out】データ量が少ない時に使うクロスバリデーション|python](https://statisticsschool.com/【leave-one-out】データ量が少ない時に使うクロスバリデ/) - こんにちは、青の統計学です。 今回はデータ量が少ない時に有効な交差検証法の一種、Leave-one-outCV こんにちは、青の統計学です。 今回はデータ量が少ない時に有効な交差検証法の一種、Leave-one-outCV
- [【python】畳み込みニューラルネットワークによる画像判別プログラムの開発](https://statisticsschool.com/【python】畳み込みニューラルネットワークによる画/) - 畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）は、画像認 畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）は、画像認
- [【SHAP】スタッキング(stacking)で特徴量の解釈はできるのか|pythonアンサンブル学習](https://statisticsschool.com/【shap】スタッキングstackingで特徴量の解釈はできるの/) - こんにちは、青の統計学です。 機械学習アルゴリズムの精度向上において、アンサンブル学習は非常に重要な役割を果た こんにちは、青の統計学です。 機械学習アルゴリズムの精度向上において、アンサンブル学習は非常に重要な役割を果た
- [【python】カーネルSVMとは？kernel関数を利用した非線形データの判別問題に挑戦|機械学習](https://statisticsschool.com/【python】カーネルsvmとは？kernel関数を利用した非線形デ/) - こんにちは、青の統計学です。 今回は、判別タスクに関わる解決手法「カーネルSVM」をご紹介します。 判別タスク こんにちは、青の統計学です。 今回は、判別タスクに関わる解決手法「カーネルSVM」をご紹介します。 判別タスク
- [k-medoidsとは？k-meansとの違いをわかりやすく解説](https://statisticsschool.com/k-medoidsとは？k-meansとの違いをわかりやすく解説/) - K-medoidsとは？ K-medoidsは、データをグループ（クラスター）に分割するための教師なし学習アル K-medoidsとは？ K-medoidsは、データをグループ（クラスター）に分割するための教師なし学習アル
- [【AICで使う】KL divergence(カルバック-ライブラー情報量)をわかりやすく解説|python](https://statisticsschool.com/【aicで使う】kl-divergenceカルバック-ライブラー情報量をわ/) - こんにちは、今回はKL divergenceを解説します。 KL divergenceは、2つの確率分布間の相 こんにちは、今回はKL divergenceを解説します。 KL divergenceは、2つの確率分布間の相
- [【Transformer】ソフトマックス関数についてわかりやすく解説｜python](https://statisticsschool.com/【transformer】ソフトマックス関数についてわかりやすく/) - こんにちは、青の統計学です。 今日は、GPT等の生成AIモデルでも使われているtransformerの中にある こんにちは、青の統計学です。 今日は、GPT等の生成AIモデルでも使われているtransformerの中にある
- [信頼区間と信用区間の違いをわかりやすく解説](https://statisticsschool.com/【統計学入門】信頼区間と信用区間の違いを徹底/) - 信頼区間と信用区間 母集団のパラメータを推定する際に用いられる「信頼区間」と「信用区間」は、どちらもある範囲内 信頼区間と信用区間 母集団のパラメータを推定する際に用いられる「信頼区間」と「信用区間」は、どちらもある範囲内
- [ディリクレ分布とは？LDAをわかりやすく解説](https://statisticsschool.com/ディリクレ分布-ベイズ推論の重要な確率分布・/) - ディリクレ分布 ディリクレ分布の応用範囲は広く、自然言語処理ではトピックモデルにおいてディリクレ分布が用いられ ディリクレ分布 ディリクレ分布の応用範囲は広く、自然言語処理ではトピックモデルにおいてディリクレ分布が用いられ
- [【内生性の解決】操作変数法と2段階OLSをわかりやすく解説](https://statisticsschool.com/【内生性の解決】操作変数と2段階olsをわかりやす/) - 操作変数法と二段階OLS 操作変数法と二段階OLSは、内生性の問題を扱う手法として広く利用されています。 内生 操作変数法と二段階OLS 操作変数法と二段階OLSは、内生性の問題を扱う手法として広く利用されています。 内生
- [HPD区間をわかりやすく解説｜信頼区間との違いは？](https://statisticsschool.com/ベイズ統計におけるhpd区間をわかりやすく解説｜/) - HPD(Highest Posterior Density Interval)区間とは HPD区間は、指定され HPD(Highest Posterior Density Interval)区間とは HPD区間は、指定され

## 固定ページ

- [【無料PDF】ビジネスマンがデータサイエンスを活かすための統計学基礎講座](https://statisticsschool.com/資料/【無料pdf】ビジネスマンがデータサイエンスを活/) - 100ページ超のリッチな資料を無料公開。ビジネスで使える統計学を記述統計から統計的推測まで分かりやすく解説しています。 統計検定3級から統計検定2級までの主要なトピックを掲載！
- [DS Playground](https://statisticsschool.com/ツール/) - 【無料・登録不要】DS Playgroundは、600問以上の問題演習と5種の可視化ツールで統計学やデータサイエンスを直感的に学べるWeb学習プラットフォームです。青の統計学が提供。
- [マーケティング](https://statisticsschool.com/マーケティング/) - 効果量とは？サンプルサイズ設計を実務で使うには カテゴリー データ分析, マーケティング サンプルサイズ設計の 青の統計学
- [資料](https://statisticsschool.com/資料/) - ここでは「青の統計学」が公開している無料資料・ダウンロードコンテンツを一覧で紹介します。 【無料PDF】ビジネ 青の統計学
- [機械学習](https://statisticsschool.com/機械学習-python/) - 【SHAP】スタッキング(stacking)で特徴量の解釈はできるのか|pythonアンサンブル学習 カテゴリ 青の統計学
- [統計検定対策](https://statisticsschool.com/統計検定対策/) - 統計検定3級｜合格率や出題範囲、勉強法を徹底解説【2026年最新版】 カテゴリー 統計検定, 資格試験 統計検
- [大学の試験対策](https://statisticsschool.com/大学の定期試験/) - 【超入門】統計学とは？文系でもわかる『データを武器にする』ための第一歩 カテゴリー 統計学, 統計学基礎 中心 青の統計学
- [Newsletter](https://statisticsschool.com/newsletter/) - [newsletter] 青の統計学
- [サイトマップ](https://statisticsschool.com/831-2/) - 青の統計学

## カテゴリー

- [統計検定](https://statisticsschool.com/category/exam/statistics-test/) - |
- [Python](https://statisticsschool.com/category/machine-learning/python/) - |
- [ベイズ統計学](https://statisticsschool.com/category/statistics/bayes/) - |
- [統計学基礎](https://statisticsschool.com/category/statistics/basics/) - |
- [高校数学](https://statisticsschool.com/category/mathematics/highschool/) - |
- [医薬・生物統計](https://statisticsschool.com/category/statistics/medical/) - |
- [因果推論](https://statisticsschool.com/category/marketing/causal-inference/) - |
- [自然言語処理](https://statisticsschool.com/category/machine-learning/nlp/) - |
- [情報技術者試験](https://statisticsschool.com/category/exam/ipa-exam/) - |
- [数理最適化](https://statisticsschool.com/category/machine-learning/optimization/) - |
- [数学](https://statisticsschool.com/category/mathematics/) - |
- [資格試験](https://statisticsschool.com/category/exam/) - |
- [統計学](https://statisticsschool.com/category/statistics/) - |
- [マーケティング](https://statisticsschool.com/category/marketing/) - |
- [機械学習](https://statisticsschool.com/category/machine-learning/) - |
- [教師あり学習](https://statisticsschool.com/category/machine-learning/supervised/) - |
- [教師なし学習](https://statisticsschool.com/category/machine-learning/unsupervised/) - |
- [深層学習](https://statisticsschool.com/category/machine-learning/deep-learning/) - |
- [基礎数学](https://statisticsschool.com/category/mathematics/fundamentals/) - |
- [確率分布](https://statisticsschool.com/category/statistics/distribution/) - |
- [推定・検定](https://statisticsschool.com/category/statistics/inference/) - |
- [G検定](https://statisticsschool.com/category/exam/g-certification/) - |
- [時系列解析](https://statisticsschool.com/category/statistics/time-series/) - |
- [データ分析](https://statisticsschool.com/category/marketing/analytics/) - |
- [計量経済学](https://statisticsschool.com/category/statistics/econome/) - |
- [統計学応用](https://statisticsschool.com/category/statistics/applied/) - |

## タグ

- [ランダム効果](https://statisticsschool.com/tag/ランダム効果/)
- [一致性](https://statisticsschool.com/tag/一致性/)
- [ポアソン分布](https://statisticsschool.com/tag/ポアソン分布/)
- [一様分布](https://statisticsschool.com/tag/一様分布/)
- [分散分析](https://statisticsschool.com/tag/分散分析/)
- [固定効果](https://statisticsschool.com/tag/固定効果/)
- [不偏性](https://statisticsschool.com/tag/不偏性/)
- [最小二乗法](https://statisticsschool.com/tag/最小二乗法/)
- [相関係数](https://statisticsschool.com/tag/相関係数/)
- [共分散](https://statisticsschool.com/tag/共分散/)
- [標準偏差](https://statisticsschool.com/tag/標準偏差/)
- [AIC](https://statisticsschool.com/tag/aic/)
- [カイ２乗分布](https://statisticsschool.com/tag/カイ２乗分布/)
- [標準誤差](https://statisticsschool.com/tag/標準誤差/)
- [t検定](https://statisticsschool.com/tag/t検定/)
- [信頼区間](https://statisticsschool.com/tag/信頼区間/)
- [ベルヌーイ分布](https://statisticsschool.com/tag/ベルヌーイ分布/)
- [二項分布](https://statisticsschool.com/tag/二項分布/)
- [GLM](https://statisticsschool.com/tag/glm/)
- [尤度比検定](https://statisticsschool.com/tag/尤度比検定/)
- [検出力](https://statisticsschool.com/tag/検出力/)
- [ブートストラップ法](https://statisticsschool.com/tag/ブートストラップ法/)
- [逸脱度](https://statisticsschool.com/tag/逸脱度/)
- [ロジスティック回帰](https://statisticsschool.com/tag/ロジスティック回帰/)
- [正規分布](https://statisticsschool.com/tag/正規分布/)
- [交絡因子](https://statisticsschool.com/tag/交絡因子/)
- [多重共線性](https://statisticsschool.com/tag/多重共線性/)
- [オッズ比](https://statisticsschool.com/tag/オッズ比/)
- [検定の多重性](https://statisticsschool.com/tag/検定の多重性/)
- [Bonferroni補正](https://statisticsschool.com/tag/bonferroni補正/)
- [ANCOVA](https://statisticsschool.com/tag/ancova/)
- [マルチンゲール](https://statisticsschool.com/tag/マルチンゲール/)
- [ランダムウォーク](https://statisticsschool.com/tag/ランダムウォーク/)
- [PCA](https://statisticsschool.com/tag/主成分分析/)
- [MSE](https://statisticsschool.com/tag/平均2乗誤差/)
- [ベイズの定理](https://statisticsschool.com/tag/ベイズの定理/)
- [ラグランジュの未定乗数法](https://statisticsschool.com/tag/ラグランジュの未定乗数法/)
- [再生性](https://statisticsschool.com/tag/再生性/)
- [コサイン類似度](https://statisticsschool.com/tag/コサイン類似度/)
- [積率母関数](https://statisticsschool.com/tag/積率母関数/)
- [コレログラム](https://statisticsschool.com/tag/コレログラム/)
- [波形分解](https://statisticsschool.com/tag/波形分解/)
- [K-means法](https://statisticsschool.com/tag/k-means法/)
- [welchのt検定](https://statisticsschool.com/tag/welchのt検定/)
- [N-gram](https://statisticsschool.com/tag/n-gram/)
- [マルコフ連鎖](https://statisticsschool.com/tag/マルコフ連鎖/)
- [デンドログラム](https://statisticsschool.com/tag/デンドログラム/)
- [ウォード法](https://statisticsschool.com/tag/ウォード法/)
- [傾向スコア](https://statisticsschool.com/tag/傾向スコア/)
- [平均処置効果](https://statisticsschool.com/tag/平均処置効果/)
- [損失関数](https://statisticsschool.com/tag/損失関数/)
- [交差検証法](https://statisticsschool.com/tag/交差検証法/)
- [word2vec](https://statisticsschool.com/tag/word2vec/)
- [決定木](https://statisticsschool.com/tag/決定木/)
- [Neural Network](https://statisticsschool.com/tag/neural-network/)
- [GBDT](https://statisticsschool.com/tag/gbdt/)
- [ridge回帰](https://statisticsschool.com/tag/ridge回帰/)
- [正則化](https://statisticsschool.com/tag/正則化/)
- [AUC](https://statisticsschool.com/tag/auc/)
- [ランダムフォレスト](https://statisticsschool.com/tag/ランダムフォレスト/)
- [SVM](https://statisticsschool.com/tag/svm/)
- [GridSearch](https://statisticsschool.com/tag/gridsearch/)
- [ベイズ最適化](https://statisticsschool.com/tag/ベイズ最適化/)
- [ガウス過程](https://statisticsschool.com/tag/ガウス過程/)
- [KL divergence](https://statisticsschool.com/tag/kl-divergence/)
- [p値](https://statisticsschool.com/tag/p値/)
- [フィッシャー情報量](https://statisticsschool.com/tag/フィッシャー情報量/)
- [指数型分布族](https://statisticsschool.com/tag/指数型分布族/)
- [回帰非連続デザイン](https://statisticsschool.com/tag/回帰非連続デザイン/)
- [SHAP](https://statisticsschool.com/tag/shap/)
- [lasso回帰](https://statisticsschool.com/tag/lasso回帰/)
- [kernel関数](https://statisticsschool.com/tag/kernel関数/)
- [BIC](https://statisticsschool.com/tag/bic/)
- [ベルマン方程式](https://statisticsschool.com/tag/ベルマン方程式/)
- [Auto Encorder](https://statisticsschool.com/tag/auto-encorder/)
- [SARIMA](https://statisticsschool.com/tag/sarima/)
- [最尤法](https://statisticsschool.com/tag/最尤法/)
- [状態空間モデル](https://statisticsschool.com/tag/状態空間モデル/)
- [モーメント法](https://statisticsschool.com/tag/モーメント法/)
- [ガンマ分布](https://statisticsschool.com/tag/ガンマ分布/)
- [指数分布](https://statisticsschool.com/tag/指数分布/)
- [MCMC法](https://statisticsschool.com/tag/mcmc法/)
- [ヤコビアン](https://statisticsschool.com/tag/ヤコビアン/)
- [深層学習](https://statisticsschool.com/tag/深層学習/)
- [F統計量](https://statisticsschool.com/tag/f統計量/)
- [操作変数](https://statisticsschool.com/tag/操作変数/)
- [モーメント母関数](https://statisticsschool.com/tag/モーメント母関数/)
- [回帰分析](https://statisticsschool.com/tag/回帰分析/)
- [層化抽出法](https://statisticsschool.com/tag/層化抽出法/)
- [多項分布](https://statisticsschool.com/tag/多項分布/)
- [EMアルゴリズム](https://statisticsschool.com/tag/emアルゴリズム/)
- [幾何分布](https://statisticsschool.com/tag/幾何分布/)
- [ヘッセ行列](https://statisticsschool.com/tag/ヘッセ行列/)
- [累積分布関数](https://statisticsschool.com/tag/累積分布関数/)
- [カイ二乗分布](https://statisticsschool.com/tag/カイ二乗分布/)
- [尤度関数](https://statisticsschool.com/tag/尤度関数/)
- [DID](https://statisticsschool.com/tag/did/)
- [中心極限定理](https://statisticsschool.com/tag/中心極限定理/)
- [統計的推測](https://statisticsschool.com/tag/統計的推測/)
- [ディリクレ分布](https://statisticsschool.com/tag/ディリクレ分布/)
- [ソフトマックス関数](https://statisticsschool.com/tag/ソフトマックス関数/)
- [シグモイド関数](https://statisticsschool.com/tag/シグモイド関数/)
- [決定係数](https://statisticsschool.com/tag/決定係数/)
- [DBSCAN](https://statisticsschool.com/tag/dbscan/)
- [固有値分解](https://statisticsschool.com/tag/固有値分解/)
- [大数の法則](https://statisticsschool.com/tag/大数の法則/)
- [パレート分布](https://statisticsschool.com/tag/パレート分布/)
- [統計検定対策](https://statisticsschool.com/tag/statistic-test/)
- [クラスタリング](https://statisticsschool.com/tag/clustering/)
- [グラフ理論](https://statisticsschool.com/tag/graph-theory/)
- [共変量シフト](https://statisticsschool.com/tag/共変量シフト/)