各群の共通回帰から得られる推定値と各群の平均値との差の平均平方和を残差の平均平方和で除した F値 で検定します。共通回帰の F値 が大きければ共通回帰が意味を持つことになる。小さい場合には、共通回帰の傾きが0に近いことを意味します。 F値 = (AB群の共通回帰の推定値の平均平方和ー交互作用の平均平方和)÷ 残差平方和 fitAB <- lm ( 前後差 ~ 治療前BP * 治療, data = dat1) S1 <- anova ( fitA)$ Mean [ 1] + anova ( fitA)$ Mean [ 1] S2 <- anova ( fitAB)$ Mean [ 3] S3 <- anova ( fitAB)$ Mean [ 4] Fvalue <- ( S1 - S2) / S3 pf ( Fvalue, 1, 16, = F) 非並行性の検定(交互性の検定) 共通回帰の F値 が大きく、非平行性の F値 が大きい場合には、両群の回帰直線の傾きが非並行ということになり、両群の共通回帰直線が意味を持つことになります。 共通回帰の F値 が小さく、非平行性の F値 も小さい場合には、共変量の影響を考慮する必要はなく分散分析で解析します。 f <- S2 / S3 pf ( f, 1, 16, = F) P=0. 06ですので、 有意水準 をどのように設定するかで、A群とB群の非平行性の検定結果は異なります。 有意水準 は、検定の前に設定しなければなりません。p値から、どのような解析手法にするのか吟味しなければなりません。
7//と計算できます。 身長・体重それぞれの標準偏差も求めておく 次の項で扱う相関係数では、二つのデータの標準偏差が必要なので、前回「 偏差平方と分散・標準偏差の求め方 」で学んだ通りに、それぞれの標準偏差をあらかじめ求めておきます。 通常の式は前回の記事で紹介しているので、ここでは先ほどの共分散の時と同様にシグマ記号を使った、簡潔な表記をしておきます。 $$身長の標準偏差=\sqrt {\frac {\sum ^{n}_{k=1}( a_{k}-\bar {a}) ^{2}}{n}}$$ $$体重の標準偏差=\sqrt {\frac {\sum ^{n}_{k=1}( b_{k}-\bar {b}) ^{2}}{n}}$$ それぞれをk=1(つまり一人目)からn人目(今回n=10なので)10人目までのそれぞれの標準偏差は、 $$身長:\sqrt {24. 2}$$ $$体重:\sqrt {64. 4}$$ 相関係数の計算と範囲・散布図との関係 では、共分散が求まったところで、相関係数を求めましょう。 先ほど書いたように、相関係数は『共分散』と『二つのデータの標準偏差』を用いて次の式で計算できます。:$$\frac{データ1, 2の共分散}{(データ1の標準偏差)(データ2の標準偏差)}$$ ここでの『データ1』は身長・『データ2』は体重です。 相関係数の値の範囲 相関係数は-1から1までの値をとり、値が0のとき全く相関関係がなく1に近づくほど正の相関(右肩上がりの散布図)、-1に近付くほど負の相関(右肩下がりの散布図)になります。 相関係数を実際に計算する 相関係数の値を得るには、前回までに学んだ標準偏差と前の項で学んだ共分散が求まっていれば単なる分数の計算にすぎません。 今回では、$$\frac{33. 7}{(\sqrt {24. 2})(\sqrt {64. 4})}≒\frac{337}{395}≒0. 853$$ よって、相関係数はおよそ"0. 853"とかなり1に近い=強い正の相関関係があることがわかります。 相関係数と散布図 ここまでで求めた相関係数("0. 853")と散布図の関係を見てみましょう。 相関係数はおよそ0. 共分散 相関係数 違い. 853だったので、最初の散布図を見て感じた"身長が高いほど体重も多い"という傾向を数値で表すことができました。 まとめと次回「統計学入門・確率分布へ」 ・共分散と相関係数を求める単元に関して大変なことは"計算"です。できるだけ素早く、ミスなく二つのデータから相関係数まで計算できるかが重要です。 そして、大学入試までのレベルではそこまで問われることは少ないですが、『相関関係と因果関係を混同してはいけない』という点はこれから統計を学んでいく上では非常に大切です。 次回からは、本格的な統計の基礎の範囲に入っていきます。 データの分析・確率統計シリーズ一覧 第1回:「 代表値と四分位数・箱ひげ図の書き方 」 第2回:「 偏差平方・分散・標準偏差の意味と求め方 」 第3回:「今ここです」 統計学第1回:「 統計学の入門・導入:学習内容と順序 」 今回もご覧いただき有難うございました。 「スマナビング!」では、読者の皆さんのご意見や、記事のリクエストの募集を行なっています。 ご質問・ご意見がございましたら、是非コメント欄にお寄せください。 いいね!や、B!やシェアをしていただけると励みになります。 ・お問い合わせ/ご依頼に付きましては、お問い合わせページからご連絡下さい。
データ番号 \(i\) と各データ \(x_i, y_i\) は埋めておきましょう。 STEP. 2 各変数のデータの合計、平均を書き込む データ列を足し算し、データの合計を求めます。 合計をデータの個数 \(5\) で割れば平均値 \(\overline{x}\), \(\overline{y}\) が出ます。 STEP. 3 各変数の偏差を書き込む 個々のデータから平均値を引いて偏差 \(x_i − \overline{x}\), \(y_i − \overline{y}\) を求めます。 STEP. 4 偏差の積を書き込む 対応する偏差の積 \((x_i − \overline{x})(y_i − \overline{y})\) を求めます。 STEP. 不偏標本分散の意味とn-1で割ることの証明 | 高校数学の美しい物語. 5 偏差の積の合計、平均を書き込む 最後に、偏差の積の合計を求めてデータの総数 \(5\) で割れば、それが共分散 \(s_{xy}\) です。 表を使うと、数値のかけ間違えといったミスが減るのでオススメです! 共分散の計算問題 最後に、共分散の計算問題に挑戦しましょう! 計算問題「共分散を求める」 計算問題 次の対応するデータ \(x\), \(y\) の共分散を求めなさい。 \(n\) \(6\) \(7\) \(8\) \(9\) \(10\) \(x\) \(y\) ここでは表を使った解答を示しますが、ぜひほかのやり方でも計算練習してみてくださいね! 解答 各データの平均値 \(\overline{x}\), \(\overline{y}\)、偏差 \(x − \overline{x}\), \(y − \overline{y}\)、 偏差の積 \((x − \overline{x})(y − \overline{y})\) などを計算すると次のようになる。 したがって、このデータの共分散は \(s_{xy} = 4\) 答え: \(4\) 以上で問題も終わりです! \(2\) 変量データの分析は問題としてよく出るのはもちろん、実生活でも非常に便利なので、ぜひ共分散をマスターしてくださいね!
array ( [ 42, 46, 53, 56, 58, 61, 62, 63, 65, 67, 73]) height = np. array ( [ 138, 150, 152, 163, 164, 167, 165, 182, 180, 180, 183]) sns. scatterplot ( weight, height) plt. xlabel ( 'weight') plt. ylabel ( 'height') (データの可視化はデータサイエンスを学習する上で欠かせません.この辺りのライブラリの使い方に詳しくない方は こちらの回 以降を進めてください.また, 動画講座 ではかなり詳しく&応用的なデータの可視化を扱っています.是非受講ください.) さて,まずは np. cov () を使って共分散を求めてみましょう. np. cov ( weight, height) array ( [ [ 82. 81818182, 127. 54545455], [ 127. 共分散 相関係数 収益率. 54545455, 218. 76363636]]) すると,おやおや,なにやら行列が返ってきましたね・・・ これは, 分散共分散行列(variance-covariance matrix)(単に共分散行列とも) と呼ばれるものです.何も難しいことはありません.たとえば今回のweight, hightのような変数を仮に\(x_1\), \(x_2\), \(x_3\),.., \(x_i\)としましょう. その時,共分散行列は以下のようになります. (第\(ii\)成分が\(s_i^2\), 第\(ij\)成分が\(s_{ij}\)) $$\left[ \begin{array}{rrrrr} s_1^2 & s_{12} & \cdots & s_{1i} \\ s_{21} & s_2^2 & \cdots & s_{2i} \\ \cdot & \cdot & \cdots & \cdot \\ s_{i1} & s_{i2} & \cdots & s_i^2 \end{array} \right]$$ また,NumPyでは共分散と分散が,分母がn-1になっている 不偏共分散 と 不偏分散 がデフォルトで返ってきます.なので,今回のweightとheightの例で返ってきた行列は以下のように読むことができます↓ つまり,分散と共分散が1つの行列であらわせれているので, 分散共分散行列 というんですね!
1と同じだが、評価者の効果は定数扱いとなる ;評価者の効果 fixed effect の分散=0 全体の分散 評価者の効果は定数扱いとなるので、 ICC (3, 1)は、 から を引いた値に対する の割合 BMS <- 2462. 52 EMS <- 53. 47 ( ICC_3. 1 <- ( BMS - EMS) / ( BMS + ( k - 1) * EMS)) FL3 <- ( BMS / EMS) / ( qf ( 0. 975, n - 1, ( n - 1) * ( k - 1))) FU3 <- ( BMS / EMS) * ( qf ( 0. 975, ( n - 1) * ( k - 1), n - 1)) ( ICC_3. 1_L <- ( FL3 - 1) / ( FL3 + ( k - 1))) ( ICC_3. 1_U <- ( FU3 - 1) / ( FU3 + ( k - 1))) クロンバックのα係数、エーベルの級内 相関係数 r11 「特定の評価者(k=3人)」が1回評価したときの「評価平均値」の信頼性 icc ( dat1 [, - 1], model = "twoway",, type = "consistency", unit = "average") 全体の分散( 評価平均値なので、残差の効果は を で除した値となる) ( ICC_3. k <- ( BMS - EMS) / BMS) ( ICC_3. 共分散分析 ANCOVA - 統計学備忘録（R言語のメモ）. k_L <- 1 - ( 1 / FL3)) ( ICC_3. k_U <- 1 - ( 1 / FU3))
73 BMS = 2462. 52 EMS = 53. 47 ( ICC_2. 1 <- ( BMS - EMS) / ( BMS + ( k - 1) * EMS + k * ( JMS - EMS) / n)) 95%信頼 区間 Fj <- JMS / EMS c <- ( n - 1) * ( k - 1) * ( k * ICC_2. 1 * Fj + n * ( 1 + ( k - 1) * ICC_2. 1) - k * ICC_2. 1) ^ 2 d <- ( n - 1) * k ^ 2 * ICC_2. 1 ^ 2 * Fj ^ 2 + ( n * ( 1 + ( k - 1) * ICC_2. 1) ^ 2 ( FL2 <- qf ( 0. 975, n - 1, round ( c / d, 0))) ( FU2 <- qf ( 0. 975, round ( c / d, 0), n - 1)) ( ICC_2. 1_L <- ( n * ( BMS - FL2 * EMS)) / ( FL2 * ( k * JMS + ( n * k - n - k) * EMS) + n * BMS)) ( ICC_2. 共分散 相関係数 関係. 1_U <- n * ( FU2 * BMS - EMS) / (( k * JMS + ( n * k - k - n) * EMS) + n * FU2 * BMS)) 複数の評価者 ( k=3; A, B, C) が複数の被験者 ( n = 10) に評価したときの平均値の信頼性 icc ( dat1 [, - 1], model = "twoway", type = "agreement", unit = "average") は、 に対する の割合 ( ICC_2. k <- ( BMS - EMS) / ( BMS + ( JMS - EMS) / n)) ( ICC_2. k_L <- ( k * ICC_2. 1_L / ( 1 + ( k - 1) * ICC_2. 1_L))) ( ICC_2. k_U <- ( k * ICC_2. 1_U / ( 1 + ( k - 1) * ICC_2. 1_U))) Two-way mixed model for Case3 特定の評価者の信頼性を検討したいときに使用する。同じ試験を何度も実施したときに、評価者は常に同じであるため 定数扱い となる。被験者については変量モデルなので、 混合モデル と呼ばれる場合もある。 icc ( dat1 [, - 1], model = "twoway",, type = "consistency", unit = "single") 分散分析モデルはICC2.
【概要】 統計検定準一級対応 統計学 実践ワークブックの問題を解いていくシリーズ 第21回は9章「 区間 推定」から1問 【目次】 はじめに 本シリーズでは、いろいろあってリハビリも兼ねて 統計学 実践ワークブックの問題を解いていきます。 統計検定を受けるかどうかは置いておいて。 今回は9章「 区間 推定」から1問。 なお、問題の全文などは 著作権 の問題があるかと思って掲載してないです。わかりにくくてすまんですが、自分用なので。 心優しい方、間違いに気付いたら優しく教えてください。 【トップに戻る】 問9. 2 問題 (本当の調査結果は知らないですが)「最も好きなスポーツ選手」の調査結果に基づいて、 区間 推定をします。 調査の回答者は1, 227人で、そのうち有効回答数は917人ということです。 (テキストに記載されている調査結果はここでは掲載しません) (1) イチロー 選手が最も好きな人の割合の95%信頼 区間 を求めよ 調査結果として、最も好きな選手の1位は イチロー 選手ということでした。 選手名 得票数 割合 イチロー 240 0. 262 前回行ったのと同様に、95%信頼 区間 を計算します。z-scoreの導出が気になる方は 前回 を参照してください。 (2) 1位の イチロー 選手と2位の 羽生結弦 選手の割合の差の95%信頼 区間 を求めよ 2位までの調査結果は以下の通りということです。 羽生結弦 73 0. 08 信頼 区間 を求めるためには、知りたい確率変数を標準 正規分布 に押し込めるように考えます。ここで知りたい確率変数は、 なので、この確率変数の期待値と分散を導出します。 期待値は容易に導出できます。ベルヌーイ分布に従う確率変数の標本平均( 最尤推定 量)は一致推 定量 となることを利用しました。 分散は、 が独立ではないため、共分散 成分を考慮する必要があります。共分散は以下のメモのように分解されます。 ここで、N1, N2の期待値は明らかですが、 は自明ではありません(テキストではここが書かれてない! )。なので、導出してみます。 期待値なので、確率分布 を考える必要があります。これは、多項分布において となる確率なので、以下のメモ(上部)のように変形できます。 次に総和の中身は、総和に関係しない成分を取り出すと、多項定理を利用して単純な形に変形することができます。するとこの部分は1になるということがわかりました。 ということで、共分散成分がわかったので、分散を導出することができました。 期待値と分散が求まったので、標準 正規分布 を考えると以下のメモのように95%信頼 区間 を導出することができました。 参考資料 [1] 日本 統計学 会, 統計学 実践ワークブック, 2020, 学術図書出版社 [2] 松原ら, 統計学 入門, 1991, 東京大学出版会 【トップに戻る】
うまくトドメを刺すことができなかったのが口惜しくてたまらないところだ! 炭治郎は 「何かひとつ出来るようになっても、またすぐ目の前に分厚い壁がある」 とかって言ってたけど、なんとか乗り越えていってほしいね! この死を通して、炭治郎が一枚も二枚も強くなり、立派な柱となって鬼殺隊に貢献できる人物として成長するのを、きっと煉獄さんも黄泉の国から見守ってくれているはずだ!! 【スポンサーリンク】
皆さんこんにちわ! 今【週刊少年ジャンプ】で大人から子供まで大人気の漫画・鬼滅の刃(きめつのやいば)。 時代は大正時代を舞台に主人公が自分の家族を殺した【鬼】と呼ばれる敵や鬼と化した妹を元に戻す方法を探すために戦う姿を描いた漫画になります。 作中で登場する鬼と戦う戦士・鬼殺隊(きさつたい)の中ではそれぞれ戦士ごとに階級があり、その中で最強に位置する柱という階級があります。 鬼滅の刃は2020年4月3日現在、物語は鬼との戦いにいよいよ終止符が打たれるか?というところまで来ていますが鬼との戦いで死んだ人も少なくありません。 さて今回は【 鬼滅の刃・柱で死んだ人は誰?画像付きで紹介! 】と題してストーリーが進む現在生き残っている柱はだれなのか。 また命を落としてしまったのはどの柱なのか。そしてどのような最期を遂げたのかを画像付きでご紹介していきます。 鬼滅の刃ファンからしたらつらい描写や悲しい描写もありますが今のうちにしっかり情報を整理してこの先のストーリーを読めればさらに楽しめると思います! 鬼滅の刃・柱で死んだ人は誰？画像付きで紹介！ | 漫画・ドラマ・映画の動画フルを無料視聴. それでは見ていきましょう!楽しんでね!!! 鬼滅の刃・柱で死んだ人は誰か詳細を説明! 鬼殺隊を支える9つの柱 音/蛇/風/霞/水/蟲/炎/恋/岩 — ゆーりんじー (@hoikoro27) August 31, 2019 それでは早速、すでに死んでしまった柱を説明していきます 。 ネタバレも含みますので閲覧にはくれぐれも注意してくださいね ! 柱の生死 鬼滅の刃200話読んだけど、右死亡、左生存伏線なのかなって思うけど、炭治郎は生きてて欲しい… 200話の時点では、炭治郎死んでる?みたいな感じだから伏線はギリ回収できてる??
以上【鬼滅の刃・柱で死んだ人は誰?画像付きで紹介!】でした! !
!オオオオオ\\└( 'ω')┘//オオオオオ #鬼滅本誌 — みそお (@tibitta_misoo) April 27, 2020 この一コマだけで泣ける #鬼滅本誌 — ゆすけ (@u_kunMH) April 26, 2020 どさくさにまぎれて禰豆子ちゃんぎゅうしてる善逸まじですき。夫気取りかよ🙏 #鬼滅本誌 — ずっちゃん (@zuxxchan) April 26, 2020 こうだった頃のありがたみが今よく分かるよね — 🌸あるある🌊課題鬼畜ぅ (@marikamarika_mu) April 27, 2020 綺麗に終わりそうで良かった — シューカスタード (@STRdagger) April 27, 2020 カナヲも炭治郎も右目を失明している…? 「お揃いだね」とか言って幸せになる炭カナが見える…見えるぞ… — ポカリ🐦 (@pokaridao) April 27, 2020 【鬼滅本誌203話ネタバレ】 #鬼滅本誌 #ネタバレ 「珠世様」 良かった……カナヲちゃん生きてるぅ……亡くなった柱の皆も玄弥もいた…皆が助けてくれた… 陽の光を避けながらも、炭治郎の生還を喜び亡き珠世様に報告する兪史郎。簪は最終決戦前に貰ったのかな…死ぬ可能性が高いから形見として。 — なち (@kmkmry39) April 26, 2020 本誌で推し失ってアニメで補給しようと見返したんだけどみんな生きて喋ってる尊い…って更にしんどくなってしんどいるーぷなんだけどあれ、鬼滅の刃ってこんな鬱アニメでしたっけ? #鬼滅本誌 — mob (@20ZoZo02) April 26, 2020 鬼滅の世界観って煉獄さんのこの言葉が全てで、煉獄さんは早くに退場してしまったけど、この作品の核であるキャラクターだったんだなって思った。 — あごまん🐗 (@cho90don60ei30) April 26, 2020 爪切りながらここらへんのアニメ見てた私ぶん殴りたい。 どれだけこの絵が尊かったか…😭😭 この羽織に泣かされるなんて思ってなかった😭😭 #鬼滅本誌 — グンさん (@gunsan_no_jump) April 26, 2020 #鬼滅本誌 #鬼滅の刃 ワニ先生にメンタルを鍛えられた人間が203話を読んだ感想と今後の展開のガバガバ考察。てか次回クライマックスて😂 あと炭治郎右目失明してない?左腕もシワシワ(?
めちゃくちゃ時間かかった(TT) 少しでもいいと思ったらRT&いいねお願いします(´∀`) #鬼滅の刃 #柱 #イラスト #少しでもいいなと思ったら #RT #いいね — 【Rush】えぴ@nana民 (@wwepikoww) December 7, 2019 これも死んだ竈門家のみんなと同じです。 鬼殺隊のいちばんの戦力だった柱も残っているのは音柱、風柱と水柱だけ。。。 炎柱・煉獄杏寿郎 は上弦の参・猗窩座との死闘の末に死亡。 虫柱・胡蝶しのぶ は上弦の弐・童磨と戦い死亡。霞柱・時透無一郎は上弦の壱・黒死牟を相手に不死川玄弥、実弥、悲鳴嶼行冥と共闘ののち死亡しました。 また、202話「勝利の代償」にて 岩柱・悲鳴嶼行冥、蛇柱・伊黒小芭内、恋柱・甘露寺蜜璃 が死亡しました。 そんな彼らも炭治郎の背中を押していましたよね(泣)。 炭治郎が無惨に負けないよう、禰豆子と家に帰れるよう、手を差し伸べました。 これも鬼滅の刃らしい注目のシーンだったなぁと思います(;´Д`) 死者の側と生者の側 #鬼滅本誌 203話 — 建前より本音は深い(鮎) (@sikinen) April 26, 2020 これ、気付きましたでしょうか? 地味に死者側と生者側で分かれてるんです(地味でもないか)。 下にいた炭治郎の背中を上へと押し上げた人たちは全員死んでる人。そして上から手を引っ張ったのは生きてる人たち。 善逸、伊之助、禰豆子、義勇さん などの手が描かれていました。 死んだ人たちと生きてる人たちが違う世界にいることが改めて感じられて、、、なんか悲しかった。 でも両者とも炭治郎を支える、まったく同じ行動をしてるんです。 鬼滅の刃203話を読んだ!みんなの感想! 「よく…生きて戻った…!」 #鬼滅本誌 — 宵・ぎょにそーぬん一世 (@KmtYoi_612) April 28, 2020 ちょっとだけみんなの感想を紹介!Twitterで「#鬼滅本誌」で検索した結果から引用しています。 みんなの感想 203話ネタバレです ここ毎回泣かされる「鬼滅の刃」 戻りたい、と手を伸ばす炭治郎を押し上げる柱達や玄弥と引き上げようとする禰豆子や善逸、猪之助、義勇や他の隊員の手。 炭治郎が引き継ぐのは無惨ではなく皆の思い。 炭治郎が戻ってきてくれてよかった。 #頑張ったね炭治郎 — はにわ (@haniwadekokeshi) April 30, 2020 この羽織の柄で誰が誰かわかる感じがいいよね😭 鬼滅次回最終回なのかなぁ #鬼滅本誌 — ぽにこ (@rp_sn_) April 29, 2020 次号クライマックスだとぉぉおおお、?!!?!!
1位;悲鳴嶼行冥 体がかなり大きく盲目。 黒死牟にも褒められるほどです。 柱の中でも最年長であり信頼も厚いです! 2位:不死川実弥 敵意を持つものには好戦的。 実はすごく優しい人です。 母親と兄弟を玄弥以外殺されたため、 特に深く鬼への憎悪を持っています 3位:煉獄杏寿郎 代々伝わる炎の呼吸を継いできた煉獄家の長男です。 あと一歩で猗窩座を倒すところまで来ており、 炭治郎に柱の強さを見せました。 4位:冨岡義勇 炭治郎が初めてあった鬼殺隊士です。 柱の中でも感情を表に出さず、 柱の中では嫌われてるらしい。 不死川さんとは犬猿の仲です。 5位:伊黒小芭内 ネチネチとした話し方が特徴で、 口に包帯を巻いています。 同じ柱である甘露寺蜜璃とは 文通をするほどの仲で、 仲間以上の感情も抱いている。 6位:時透無一郎 無一郎は脅威的な速さで、 柱になった天性の才能の持ち主。 記憶をなくしてからも 体に覚えてた怒りで努力したそう。 7位:甘露寺蜜璃 非常に惚れやすい性格で、 感情を表に出しやすい素直で楽天的な性格。 だが柱になる程の実力を持っている。 腕力だけなら十二鬼月にも負けません。 8位:宇髄天元 絶対音感の持ち主。 3人のくノ一の嫁さんを連れて柱になる。 引退後は隊士の訓練をしている。 指揮力が半端ない。 9位:胡蝶しのぶ 柱の中で唯一首が切れない隊士。 だが特有の藤の花の毒で倒す。 見た目は美人だがかなり異常な人格。 私の推しは不死川実弥さんです。 玄弥愛が本当にいいですよね! 柱の死んだ順番とそのシーンは?最後に全員死ぬの?
上弦の参と死闘を繰り広げ、命を落とした煉獄。 彼は人間だったから命にも限界があり、故に死んでしまったけど、本当によく頑張ったと思う! ってことで、今回は彼の死がもたらす影響について触れていきたい! 【スポンサーリンク】 煉獄が残した言葉は以下。 他にも、炭治郎に 「煉獄家を訪ねてみろ、ヒノカミ神楽について何かわかるかもしれない」 といった旨の内容も教えてくれた。 しかしともあれ、以下の一言はシンプルながら、非常に重く価値の高い言葉だったと思う! 鬼滅の刃66話より引用 非常に重く価値の高い言葉! 「今度は君たちが◯◯を支えろ、おれは信じる」 なんて、誰にだって言える。 しかし、この言葉を発したのが、他ならぬ "煉獄さん" だったからこそ、この言葉は一層のこと、力と重みを持ったんじゃないだろうか! また、煉獄は結果的に以下のように、常人では考えられない偉業を成し遂げている! 鬼滅の刃66話より引用 煉獄の成し遂げた偉業! 歴史に深く刻みつけられるようなものではないかもしれない。 しかしそれでも、200人もの乗客から一人も死者を出さなかったとするならば、それは本当にとてつもないことだ! 生身の人間を守るということの難しさは、鬼滅ワールドではとくに難易度が高いもんね!凄い!! 煉獄さんのラストバウト!! 後半では煉獄さんの "最後の戦い" について触れていこう! これまでの鬼滅の中では、ベストバウトだといって良いんじゃないのかな?わかんないけど! いつも明るい感じだからわかりにくいけど、それでも上弦の鬼とやりあうのは相当大変なこと。 にも関わらず、ここまで戦い抜けるって凄い! 鬼滅の刃66話より引用 取っ組み合いに持ち込む煉獄! 切られりゃ痛いし、そもそも怖い…っていうのが、人間としてナチュラルな感覚だろう! そんな感覚が襲い来る中、それを精神統一だか思考力だかアドレナリンだかで押さえ込んでいる! どちらにしても 「本来起こるべき負の感情を、何らかの力でコントロールしている」 ことは間違いないだろう! こんなことが出来る人は本当にごく少数だと思うし、彼の偉大さを強く感じるところだ! で、最終的には逃げられたものの、相手のドテっ腹に日輪刀をぶっ刺すまでは追い込んだのも凄い!! 鬼滅の刃65話より引用 相手のドテっ腹に日輪刀をぶっ刺すまでは追い込んだ! いや、柱だったら他の人でも出来るのかもしれないけど、それでも上弦の鬼をここまで追い込んだのは流石!