確率周りの勉強続き
大数の法則
完全に一様分布を持つデータは回数を重ねるほど平均値は期待値に近づく
import numpy as np import matplotlib.pyplot as plt times = 1000 sample_array = np.array([1, 2, 3, 4, 5, 6]) number_cnt = np.arange(1, times + 1) # 1, 2, 3, ... 1000 for i in range(5): # ランダムで 1000 回サイコロを振った累積値 3, 1, 5... とサイコロの目が出るなら 3, 4, 9... というリストになる p = np.random.choice(sample_array, times).cumsum() # 試行回数で各値を割って表示する plt.plot(p / number_cnt) plt.grid(True)
中心極限定理
サイコロ等を投げる回数 N が増えれば増えるほどに標本平均が正規分布となっていく法則
def func_central(N): mean_array = np.array([]) for i in range(1000): # ランダムで N 回サイコロを振った累積値リスト cum_var = np.random.choice(sample_array, N).cumsum() * 1.0 # 累積値の最終値 / サイコロを振った回数 を平均に突っ込む mean_array = np.append(mean_array, cum_var[N-1] / N) # 平均値の出現回数をヒストグラムで表示 plt.hist(mean_array) plt.grid(True) func_central(4)
iDeCo と NISA の目的の違い
iDeCo と NISA は設立目的が違う
まず管轄が違います。 NISA は金融庁、iDeCo は厚生労働省です。
またその設立の目的も異なります。
iDeCo はあくまで老後資金用
年金問題ですが、少子高齢化で、年金が下がるのが目に見えている。
「老後 2000万不足する」と政府が言い出してるのがいい例です。
誤解してはいけないのは、年金制度でもらえなくなるとか制度が終わるということは、日本国民が存在して労働人口がいる限りまずありません。
しかし老後の貧困を避けるだけの潤沢な資金を政府は用意することができません。
年金機構の資産運用はもう無理ぽ! → 税優遇するから自分で年金作って☆
という丸投げから生まれた制度です。
iDeCo の節税効果
iDeCo は積み立て時は控除が受けれます。
リーマンで月2.5 万積み立てなら、年間 30 万、これが非課税対象になります。
仮に所得が年収 500 万なら、課税対象が 470 万に落ちます。
住民税、所得税合わせて 20% とした場合、100 万→94万 = 6 万節税になります。
代わりに、受け取り時に税金がかかるほか、毎月運用費(現在最安値 171 円/月)がかかります。
まぁ投資運用しないなんて早々ないので、手数料は無視できるでしょう。
iDeCo・確定拠出年金はどの様に受取るのが良い? 受取り方による税額計算の違い | りそな銀行 確定拠出年金
尚、加入年齢に制限があります。
NISA は国の経済を守りたい
これは、NISA制度の政策目的である成長資金の供給拡大を促しつつ、家計の安定的な資産形成をさらに推し進めていくことが目的である。
確かに皆タンス貯金で死蔵しがちだからね日本人…。
これを引き出して経済成長につなげたい…分かります。…がw
景気が上がってきたけど投資家は殆どが外国人…このままでは日本の株の殆どが海外に渡ってしまって、経済的に安全とは言えない。
なので、国内で株をなるべく保有させたい。という意図が透けて見えますね…。
当初年間 100 万、非課税期間 5 年で制度を作ったのですが、結局そこに手を付けたのは元々株の売買してた一部の人たちが乗り換えただけでした。
彼らは売って買ってを高速で繰り返してしまいます。これでは成長資金を維持させたいという目的は達成できません。
要するに成長株を長期保有してほしいという意図が達成されませんでした。
で、試行錯誤が始まりました。
100万なんて積み立てしにくい?じゃぁ月10万の 120万ならどうだ?
→ 年間 120万に
→ でもまだ増えない(泣
そこで、長期保有してもらうために「積み立てNISA(年間 40 万、20年無課税)」が作成されました。
NISAの節税効果
控除の類はありません☆
ただし、年間 120 万まで投資可能で、5 年以内なら投資で儲かった分は非課税です。
仮に、投資信託で月 2% 損益があるとして、10 万を突っ込んで 5 年放置すると 32 万…これを 5 で割ると 6.4 万。
これが非課税で、毎月 10 万突っ込んでると更にエグイ数字に…
これを売った時も非課税なので、まぁいいお金になりますね。
NISA は加入年齢は 18 以上で上限はありません。
つまり、生涯運用可能です。
投資信託記録アプリのアップデート
コレの続き。
アプリをアップデート。
- 口数の追加(よく見るこの数字)
- 最新の合計資産価値 を更新したとき、各購入記録の「資産価値」を更新するロジックを、「口数」ベースで割り振るよう修正。
自分は積み立て NISA じゃなくて普通の NISA なんで、原則的に売ること前提の機能だね。
三次元グラフを書いてみるテスト
ちょっとやってみた感じです。
import numpy as np x,y = np.mgrid[10:100:2, 10:100:2] pos = np.empty(x.shape + (2,)) pos[:, :, 0] = x pos[:, :, 1] = y
np.mgrid[10:100:2, 10:100:2]
で x, y にグリッドなデータを生成させます。
この形状は、 10 起点で 100 未満まで 2 ステップで生成します。(データ数は 1 軸 45 個)
x.shape
は (45, 45)
で、x, y はそれぞれこんな形状になります。
array([[10, 10, 10, ..., 10, 10, 10], [12, 12, 12, ..., 12, 12, 12], [14, 14, 14, ..., 14, 14, 14], ..., [94, 94, 94, ..., 94, 94, 94], [96, 96, 96, ..., 96, 96, 96], [98, 98, 98, ..., 98, 98, 98]]) array([[10, 12, 14, ..., 94, 96, 98], [10, 12, 14, ..., 94, 96, 98], [10, 12, 14, ..., 94, 96, 98], ..., [10, 12, 14, ..., 94, 96, 98], [10, 12, 14, ..., 94, 96, 98], [10, 12, 14, ..., 94, 96, 98]])
作成した pos
はこの時点で
(45, 45, 2) array([[[10., 10.], [10., 12.], [10., 14.], ..., [10., 94.], [10., 96.], [10., 98.]], [[12., 10.], [12., 12.], [12., 14.], ..., [12., 94.], [12., 96.], [12., 98.]], [[14., 10.], [14., 12.], [14., 14.], ..., [14., 94.], [14., 96.], [14., 98.]], ..., show more (open the raw output data in a text editor) ... [98., 12.], [98., 14.], ..., [98., 94.], [98., 96.], [98., 98.]]])
まさに座標ですね。
ここにデータを肉付けします
from scipy.stats import multivariate_normal rv = multivariate_normal([50, 50], [[100, 0], [0, 100]]) z = rv.pdf(pos)
multivariate_normal
の引数を見ていくと、z,y ともに平均値 50、[[100, 0], [0, 100]]
は 分散共分散行列(後述に詳細。分散100, 共分散0)
この時の z はこんな感じになっている。
(45, 45) array([[1.79105293e-10, 3.90713230e-10, 8.18909735e-10, ..., 3.33805656e-11, 1.35715252e-11, 5.30141552e-12], [3.90713230e-10, 8.52330075e-10, 1.78642887e-09, ..., 7.28187781e-11, 2.96059059e-11, 1.15648909e-11], [8.18909735e-10, 1.78642887e-09, 3.74423972e-09, ..., 1.52623463e-10, 6.20520695e-11, 2.42392656e-11], ..., [3.33805656e-11, 7.28187781e-11, 1.52623463e-10, ..., 6.22126874e-12, 2.52937912e-12, 9.88045888e-13], [1.35715252e-11, 2.96059059e-11, 6.20520695e-11, ..., 2.52937912e-12, 1.02836881e-12, 4.01709481e-13], [5.30141552e-12, 1.15648909e-11, 2.42392656e-11, ..., 9.88045888e-13, 4.01709481e-13, 1.56918905e-13]])
それぞれの位置に一つづつ値が入っている形かな。
これを作画すると
import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig = plt.figure(dpi=100) ax = Axes3D(fig) ax.plot_wireframe(x, y, z) ax.set_xlabel('x') ax.set_ylabel('y') ax.set_zlabel('f(x, y)') ax.ticklabel_format(style='sci', axis='z', scilimits=(0, 0))
うーんかっこいい
分散共分散行列
分散共分散行列とは、 と の2つの数列があり、こんな値を持ってるとします
としたとき、平均値 E は
で、偏差(実値 - 平均)を取ると
で、各分散を考えると
共分散 は の様に記述し
要するに は A,B の偏差をかけた平均= 共分散
で、分散共分散の定義は
で、当てはめて
という形になります。
Salesforce Platform Developer の資格維持
Salesforce の資格は一度とったら終了ではなく、定期的にスキルをアップデートしなければならないご様子。
これは、Trailhead にログインして、自分のステータスを見るときに
こんな感じで表示される。
更新に関しては下記のバッチを取ればいいらしい
Apex
WITH SECURITY_ENFORCED
SOQL のケツにつけることができる修飾句。
SELECT と FROM で列挙されている項目のアクセス権限がチェックできる。
権限がないと例外を起こすとのこと。
これ項目のアクセス権限の事前チェックしなくても良くなる系?
※ 多態項目は原則サポートされません。例外として Owner
, CreatedBy
, LastModifiedBy
は除外され、適用できるとのこと。
プラットフォームイベントの再開
プラットフォームイベントを Apex トリガで受け取る際、何らかの理由(デバッグ中だったとか)でトリガをスキップしたい場合、これまではトリガを無効にしてイベント実行→復帰しなければならず、その間のイベントは永久にトリガで処理できなくなっていました。
が、 Winter21 からは任意の一時停止、復帰の他、復帰時に停止中に流れたイベントを再処理させることができるようになったと。
「プラットフォームイベント」のトリガ詳細から「Suspend」「Resume」でこれが可能になるとのこと。
ロック解除済みパッケージのコードカバー率
Winter '21 以降で作成されたパッケージバージョンのうち、このコードカバー率を満たさないものは、スクラッチ組織と Sandbox にしかインストールできません。Winter ’21 より前にリリース済み状態に昇格されたロック解除済みパッケージバージョンは、コードカバー率要件の対象外です。
昇格って言い回しが謎だけど多分「リリース」かな。
まぁ元より新しい物作るときは 75% のカバー率を要求されるので、得てしてこんなものかなと…
Messaging.CustomNotification
Messaging.CustomNotification
クラスが新規に入った。
ユーザに簡単に通知を投げる手段のようだ。
[Salesforce]カスタム通知機能を使用 - コードワールド
プラットフォームイベントメッセージの公開後の Apex コールアウトの実行
これまでは DML (DB でいう CreateUpdateDelete)とか処理した後でコールアウト(外部APIのHTTP呼び出しの事)を実行できず、プラットフォームイベントも同様に DML とみなされていた。
が、Winter '21 から「すぐに公開」としていれば、DML操作とはみなされなくなる模様。
…あんま使った記憶ないけど(汗
LWC
track アノテーションの一部不要化
html
上で利用する変数に @track
を入れておかないと、値の変更時に画面に適用されなかった…は過去の話。
Spring ’20 以降では、配列でなければ原則不要になりました。
…ってことは原則全変数で値の監視してるって事かな… Proxy
オブジェクトラップとかデバッグ時に追いづらくて嫌なんやけど(汗
Lightning Message Service
Summer ’20 でGA
DOM (これは HTML のDOMな)全体の VF/Aura/LWC で通信を行う仕組み。
LWC で画面上の値を変更&保存したときに「おらーVF!Aura!おめーらが参照してるデータ更新されたで!」みたいな通知できるわけだ。
サンプルは Component Library らしい
Lightning Web コンポーネントのユーザ権限の確認
カスタム権限を設定しているとき、そのカスタム権限が現在のユーザで利用可能であるかどうかをチェックする機構が入ったとのこと。
因みにカスタム権限は これ 参照。
標準権限
import hasPermission from '@salesforce/userPermission/StandardPermissionName';
カスタム権限
import hasPermission from '@salesforce/customPermission/namespace__CustomPermissionName';
標準とカスタムで取得元違うの何なの…
項目レベルとオブジェクトレベルのセキュリティや安全なナビゲーション演算子
Security.StripInaccessible
Security.StripInaccessible
を使って、指定した権限の無い項目や行をフィルタ出来る。
SObjectAccessDecision securityDecision = Security.stripInaccessible(AccessType.UPDATABLE, [SELECT Name, BudgetedCost, ActualCost FROM Campaign] ); // Print stripped records for (SObject strippedAccount : securityDecision.getRecords()) { System.debug(strippedAccount); }
簡易的な null の扱い
JavaScript から Apex に持ってきたのかな…これは使い勝手がいい
a?.b // Evaluates to: a == null ? null : a.b
確率周りの勉強続き
確率変数が複数あるときの確率分布
これの続き
同時確率分布
ある薬の治験に 40 人が集まり各データ
A型 | B型 | O型 | AB型 | 合計 | |
---|---|---|---|---|---|
男性 | 10 | 4 | 4 | 2 | 20 |
女性 | 8 | 2 | 8 | 2 | 20 |
で発生確率は人数的に確率はこんな感じ
A型 | B型 | O型 | AB型 | 合計 | |
---|---|---|---|---|---|
男性 | 0.25 | 0.1 | 0.1 | 0.05 | 0.5 |
女性 | 0.2 | 0.05 | 0.2 | 0.05 | 0.5 |
計 | 0.45 | 0.15 | 0.3 | 0.1 | 1 |
で、血液型 X 性別 Y としたときにそれぞれが特定の値を取るときの確率を表したものを「同時確率分布」と言う。 血液型が , 性別が を取るときの確率を表す関数を同時確率関数という。
例えば、A 型かつ男性 と取得できる。
また、 の時(または )固定の時の確率分布を「周辺確率分布」といい
てな感じで周辺確率関数を定義できる。
仮に、A型と割り切って( ) を考えると、 Y は性別なので、男性女性の合計なので、合計確率 0.45
と。
条件付き確率関数
を与えたときの である確率(条件付き確率関数)を
と記述する。
条件付き期待値
前述の条件付き確率関数に、期待値を取ったもの。
を与えたときの Y の 条件付き期待値 を
と記述する。