random
-5
+2
@@ -611,7 +611,7 @@ random
-[6, 3, 2, 1, 3, 2, 6, 6, 2, 5]
+[4, 1, 1, 4, 5, 1, 4, 2, 2, 5]
@@ -643,7 +643,7 @@ random
-8.231609977614664
+11.46391407797539
@@ -656,16 +656,16 @@ random
-[-0.2989395726746599,
- -0.8183352578369892,
- 0.2767978202490265,
- 1.5861287740239567,
- -1.741558370224846,
- -1.981222817858072,
- 2.348162445640461,
- -0.8184689511660148,
- -0.2733818561100999,
- -0.6574019207378039]
+[-0.6497114121278154,
+ 1.2517538407919917,
+ -0.4455544792108816,
+ -0.8687905803586045,
+ -1.4698010333038098,
+ -1.9654661226248944,
+ 0.6330787138032885,
+ 0.06200371368888453,
+ 1.3262594210632765,
+ -2.796356904823912]
@@ -742,7 +742,7 @@ for
-1687.7114419668826
+-1256.2973643054047
@@ -786,7 +786,7 @@ while
-1687.7114419668826
+-1256.2973643054047
@@ -803,7 +803,7 @@ 実行スピード比較
-34.5 ms ± 974 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
+51.8 ms ± 525 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
@@ -832,7 +832,7 @@ 実行スピード比較
-162 ms ± 1.96 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
+208 ms ± 4.62 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
@@ -852,7 +852,7 @@ 実行スピード比較
-4.63 ms ± 41.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
+4.33 ms ± 583 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
@@ -987,7 +987,7 @@ 例２：値の探索
-31.5 ms ± 302 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
+32.5 ms ± 151 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
@@ -999,7 +999,7 @@ 例２：値の探索
-182 ms ± 14.6 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
+180 ms ± 8.42 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
@@ -1075,7 +1075,7 @@ 番兵法
-83.6 ms ± 2.87 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
+103 ms ± 6.51 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
@@ -1105,7 +1105,7 @@ 組み込み関数
-14.4 ms ± 413 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
+10.1 ms ± 171 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
@@ -1163,7 +1163,7 @@ 直接的な探索
--4.941650299977732
+-4.878787232772207
@@ -1212,7 +1212,7 @@ 間接的な探索
--4.941650299977732
+-4.878787232772207
@@ -1228,7 +1228,7 @@ 実行スピード比較
-41.5 ms ± 2.86 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
+38.2 ms ± 509 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
@@ -1240,7 +1240,7 @@ 実行スピード比較
-107 ms ± 4.77 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
+103 ms ± 1.77 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
@@ -1254,7 +1254,7 @@ 実行スピード比較
--4.941650299977732
+-4.878787232772207
@@ -1266,7 +1266,7 @@ 実行スピード比較
-15.1 ms ± 128 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
+12.4 ms ± 450 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
@@ -1365,7 +1365,7 @@ 単純選択ソート
-[1, 1, 2, 3, 5, 5, 7, 7, 8, 11]
+[1, 2, 4, 4, 7, 8, 8, 9, 9, 11]
@@ -1378,7 +1378,7 @@ 単純選択ソート
-[992, 994, 994, 994, 994, 998, 998, 998, 999, 999]
+[993, 993, 995, 996, 996, 996, 998, 999, 1000, 1000]
@@ -1523,7 +1523,7 @@ バブル・ソート
-[1, 1, 2, 3, 5, 5, 7, 7, 8, 11]
+[1, 2, 4, 4, 7, 8, 8, 9, 9, 11]
@@ -1536,7 +1536,7 @@ バブル・ソート
-[992, 994, 994, 994, 994, 998, 998, 998, 999, 999]
+[993, 993, 995, 996, 996, 996, 998, 999, 1000, 1000]
@@ -1552,7 +1552,7 @@ 実行スピード比較
-51.7 ms ± 928 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
+53.1 ms ± 2.39 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
@@ -1564,7 +1564,7 @@ 実行スピード比較
-61.6 ms ± 1.48 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
+72.1 ms ± 1.25 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
@@ -1581,7 +1581,7 @@ 実行スピード比較
-7.42 µs ± 287 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)
+6.42 µs ± 83.3 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)
diff --git a/1_Basics_VI.html b/1_Basics_VI.html
index e8816f13..a6f2b1f2 100644
--- a/1_Basics_VI.html
+++ b/1_Basics_VI.html
@@ -517,7 +517,7 @@ 説明#<
-[<matplotlib.lines.Line2D at 0x113794c40>]
+[<matplotlib.lines.Line2D at 0x1153d5000>]
@@ -632,7 +632,7 @@ 曲線のプロット
-[<matplotlib.lines.Line2D at 0x11387fd60>]
+[<matplotlib.lines.Line2D at 0x1154bbe20>]
@@ -649,7 +649,7 @@ 曲線のプロット
-[<matplotlib.lines.Line2D at 0x11391ace0>]
+[<matplotlib.lines.Line2D at 0x115557340>]
@@ -871,7 +871,7 @@ ヒストグラム
-
+
＜基本的な引数＞
@@ -921,7 +921,7 @@ ヒストグラム
-
+
次に複数のデータを重ねてプロットする場合を考えよう。方法は簡単で，ライン・プロットと同じようにplt.hist()を続けてコードを書くだけである。まず平均4標準偏差2の正規分布からのランダム変数を用意しよう。
@@ -950,7 +950,7 @@ ヒストグラム
-
+
濃い赤の部分が重なっている部分となる。
@@ -980,7 +980,7 @@ ヒストグラム
-
+
@@ -1045,7 +1045,7 @@ コイントス
-[1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0]
+[0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 0]
@@ -1058,7 +1058,7 @@ コイントス
-5
+6
@@ -1072,7 +1072,7 @@ コイントス
-5
+6
@@ -1085,7 +1085,7 @@ コイントス
-0.25
+0.3
@@ -1130,7 +1130,7 @@ シミュレーション
-
+
＜コードの説明＞
@@ -1272,7 +1272,7 @@ コイントス（再考）
-0.55
+0.5
@@ -1285,7 +1285,7 @@ コイントス（再考）
-0.44721359549995837
+0.0
@@ -1321,7 +1321,7 @@ 関数化
--0.44721359549995787
+0.0
@@ -1335,25 +1335,25 @@ 関数化
-[1.4142135623730951,
- 0.0,
- 0.0,
+[0.0,
-1.4142135623730951,
- 0.0,
-1.4142135623730951,
- 0.0,
1.4142135623730951,
-1.4142135623730951,
- -1.4142135623730951,
1.4142135623730951,
+ -1.4142135623730951,
+ -1.4142135623730951,
1.4142135623730951,
+ -1.4142135623730951,
0.0,
+ -1.4142135623730951,
0.0,
- 0.0,
- 1.4142135623730951,
+ -1.4142135623730951,
0.0,
0.0,
1.4142135623730951,
+ -1.4142135623730951,
+ 0.0,
0.0]
@@ -1448,7 +1448,7 @@ ヒストグラムのプロット標準化平均の重複しない値の数（x軸）：2
-
+
＜コードの説明＞
@@ -1531,11 +1531,11 @@ n=1標準化平均の重複しない値の数（x軸）：2
-
+
標準化平均の重複しない値の数（x軸）：2
-
+
Nが小さい（10）とランダムな影響が強く現れるが，大きくなると（10000）大数の法則によって-1と1の割合は0.5に近づいている。一方で，Nが大きくなっても，分布は標準正規分布とは大きく異なっている。
@@ -1550,14 +1550,14 @@ n=2
-標準化平均の重複しない値の数（x軸）：3
+標準化平均の重複しない値の数（x軸）：2
-
+
標準化平均の重複しない値の数（x軸）：3
-
+
Nが大きくなると，大数の法則によって左右対称の分布となっている。しかし，依然として標準正規分布とは異なっている。
@@ -1572,14 +1572,17 @@ n=12
-標準化平均の重複しない値の数（x軸）：7
+標準化平均の重複しない値の数（x軸）：8
-
+
標準化平均の重複しない値の数（x軸）：13
-
+
+
+
+
Nが小さいとランダムな要素が際立ち明確ではないが，n増加すると標準正規分布に近づいていることが分かる。
@@ -1594,14 +1597,14 @@ n=64
-標準化平均の重複しない値の数（x軸）：18
+標準化平均の重複しない値の数（x軸）：21
-
-標準化平均の重複しない値の数（x軸）：29
+
+標準化平均の重複しない値の数（x軸）：31
-
+
標準正規分布に大きく近づいたことが確認できる。
@@ -1644,7 +1647,7 @@ n=1000標準化平均の重複しない値の数（x軸）：2
-
+
diff --git a/3_Pandas.html b/3_Pandas.html
index d7a373c2..074d074b 100644
--- a/3_Pandas.html
+++ b/3_Pandas.html
@@ -5732,7 +5732,7 @@ ステップ１：グループ化する列を指定
-<pandas.core.groupby.generic.DataFrameGroupBy object at 0x11401b6a0>
+<pandas.core.groupby.generic.DataFrameGroupBy object at 0x11cdb7bb0>
@@ -5753,7 +5753,7 @@ ステップ２：グループ計算したい列を指定
-<pandas.core.groupby.generic.SeriesGroupBy object at 0x11401b850>
+<pandas.core.groupby.generic.SeriesGroupBy object at 0x11cdb7d90>
diff --git a/4_matplotlib.html b/4_matplotlib.html
index 77f995f5..e3d09e9e 100644
--- a/4_matplotlib.html
+++ b/4_matplotlib.html
@@ -605,7 +605,7 @@ array
-[<matplotlib.lines.Line2D at 0x1126cf460>]
+[<matplotlib.lines.Line2D at 0x11986f8b0>]
@@ -630,7 +630,7 @@ array
XとZの散布図を加えてタイトルなども付け加えてみよう。
@@ -1908,7 +1908,7 @@ 散布図
-
+
@@ -1938,7 +1938,7 @@ ヒストグラム
-
+
＜基本的な引数＞
@@ -1981,7 +1981,7 @@ ヒストグラム
-
+
次に複数のデータを並べてプロットする場合を考えよう。方法は簡単で，異なるデータをリストとして指定すれば良い。
@@ -2000,7 +2000,7 @@ ヒストグラム
-
+
上のコードに引数stacked=Trueを加えると，柱を重ねて表示される。試してみよう。またax.hist()を２回使うと，２つのヒストグラムを重ねて表示することができる。この場合，引数alphaの値を調整すると良いだろう。
@@ -2026,7 +2026,7 @@ ヒストグラム
-
+
濃い赤の部分が重なっている部分となる。
@@ -2062,7 +2062,7 @@ 縦線・横線
-
+
＜基本的な引数＞
@@ -2106,7 +2106,7 @@ 縦線・横線
-
+
diff --git a/5_pandas_plot.html b/5_pandas_plot.html
index 84d09497..611d4516 100644
--- a/5_pandas_plot.html
+++ b/5_pandas_plot.html
@@ -1519,7 +1519,7 @@ 散布図
-
+
＜基本的な引数＞
@@ -1571,7 +1571,7 @@ 散布図
-
+
この図ではタイトルと横軸・縦軸ラベルの大きさが調整できていないが，上で説明したタイトルとラベルのサイズの調整のコードと共通なので，そちらを参照しよう。
@@ -1588,7 +1588,7 @@ 散布図
-
+
@@ -1609,7 +1609,7 @@ ヒストグラム
-
+
＜基本的な引数＞
@@ -1671,7 +1671,7 @@ ヒストグラム
-
+
この図ではタイトルと横軸・縦軸ラベルの大きさが調整できていないが，上で説明したタイトルとラベルのサイズの調整のコードと共通なのでそちらを参照しよう。
@@ -1688,7 +1688,7 @@ ヒストグラム
-
+
濃い部分が重なっている部分となる。また柱を積み上げて表示するにはstacked=True（デフォルトはFalse）を使う。
@@ -1704,7 +1704,7 @@ ヒストグラム
-
+
赤の上に黒が積み上げられている。
@@ -1725,7 +1725,7 @@ ヒストグラム
-
+
＜基本的な引数＞
@@ -1780,7 +1780,7 @@ ヒストグラム
-
+
この図ではタイトルと横軸・縦軸ラベルの大きさが調整できていないが，上で説明したタイトルとラベルのサイズの調整のコードと共通なのでそちらを参照しよう。
@@ -1800,7 +1800,7 @@ ヒストグラム
-
+
@@ -1833,7 +1833,7 @@ 縦線・横線
-
+
＜基本的な引数＞
@@ -1877,7 +1877,7 @@ 縦線・横線
-
+
最後に上のヒストグラムとカーネル密度推定プロットに縦線を加えてみよう。
@@ -1897,7 +1897,7 @@ 縦線・横線
-
+
diff --git a/8_NumPy_random.html b/8_NumPy_random.html
index bdca0a63..e0c6bd07 100644
--- a/8_NumPy_random.html
+++ b/8_NumPy_random.html
@@ -495,8 +495,8 @@ 正規分布
-array([10.22742928, 2.49567411, 0.62092261, 3.84855446, 3.34359581,
- 2.03272974, 8.22712456, 3.46033023, 8.63305762, 4.54736281])
+array([4.58363047, 6.95021685, 6.23377623, 8.99733154, 4.61503448,
+ 3.70364198, 2.42382533, 7.20028139, 7.69362361, 2.83309532])
@@ -510,7 +510,7 @@ 正規分布
-array([-0.14669423, -1.77245481, -1.32475965, 1.19530167, 0.42534011])
+array([-1.67474025, -0.81587495, 0.06417207, 0.61988225, 0.17913163])
@@ -534,7 +534,7 @@ 正規分布
-
+
@@ -556,8 +556,8 @@ 一様分布
-array([15.03310262, 24.4128059 , 16.26783878, 12.01971977, 29.63972333,
- 7.05729577, 12.40695026, 22.17300355, 14.21619876, 14.99912555])
+array([25.41598732, 10.79170829, 12.08258602, 26.75161688, 25.12564245,
+ 12.45545059, 5.84853758, 11.46852962, 24.03455943, 16.23716532])
@@ -570,7 +570,7 @@ 一様分布
-array([0.01917226, 0.33528493, 0.98580063, 0.68300293, 0.6755655 ])
+array([0.35236968, 0.54941084, 0.65690875, 0.5153828 , 0.84355428])
@@ -594,7 +594,7 @@ 一様分布
-
+
@@ -662,11 +662,11 @@ 多変量正規分布
-array([[ 2.08957231, 4.27594781],
- [-1.46533498, 0.39721637],
- [ 0.13557541, 6.57373291],
- [-0.79334862, 5.1890303 ],
- [ 5.3989974 , 13.33066817]])
+array([[-0.91399467, 6.29670012],
+ [ 1.20692602, 4.9053363 ],
+ [ 1.08903015, 2.36617976],
+ [ 3.63094547, 5.34763492],
+ [ 1.17521598, 4.45668698]])
@@ -685,11 +685,11 @@ 多変量正規分布
-array([[-1.10459002, -1.0759238 ],
- [-1.99536275, -1.83977855],
- [ 0.7759063 , 0.78708881],
- [-1.20243917, -2.30522795],
- [ 0.11448379, 0.24857728]])
+array([[-0.66989221, -0.13076965],
+ [ 1.04732328, 1.02714548],
+ [ 0.18370859, -0.42350591],
+ [-0.0903603 , 0.33143798],
+ [ 0.52758359, -0.02879557]])
@@ -710,7 +710,7 @@ 多変量正規分布
-
+
XとYの共分散はm=0.8となっているため，正の相関が観測される。
@@ -722,7 +722,7 @@
多変量正規分布
-0.7994154566991892
+0.7887879318141945
@@ -752,7 +752,7 @@ 古い書き方
-
@@ -1845,7 +1845,7 @@ 
+
+