Home on Blogito, ergo sum.

Die Dusche

Wed, 28 Jan 2026 13:46:48 +0100

Es fing damit an, dass Er nach der Gartenarbeit und nach der schlussendlichen Reinigung der elektrischen Kettensäge eine Menge Öl an Seinen Fingern kleben hatte. Auch unter der Dusche hielten sich einige wenige dieser Flecken noch hartnäckig, selbst nach einigem unnachgiebigem Schrubben. Eigentlich war Er nie vom übermäßig reinlichen Typ gewesen. Das hier war aber etwas, das Seine Aufmerksamkeit verlangte. Das Öl musste weg.

Mein Brot

Thu, 11 Dec 2025 20:31:16 +0100

Ich habe über die Jahre “mein” Brotrezept aus anderen Büchern, von Freunden, dem Internet und meinen auch eigenen Erfahrungen zusammen gefrankensteint. Dabei ist mir zwar einerseits der Geschmack wichtig, aber auch, dass es sich unkompliziert vorbereiten lässt. Auch am Backtag muss man das neben der Arbeit im Homeoffice hinbekommen. Es gibt nichts schlimmeres, als sich vom Brot Backen das Wochenende vermiesen zu lassen. Es sein denn, man will es. Ich bin kein Bäcker, ich will keiner werden, ich werd nie einer sein. Aber ich habe die Mehlschwämme aus dem Supermarkt satt und backe quasi nur, weil ich es muss.

Stockholm: Nordisches Museum

Fri, 04 Apr 2025 12:39:11 +0200

500 Jahre Leben im Norden
Grönland, Sami, Island, Schweden, Norwegen
Wie funktioniert Missioniernug von Wikingern?

Stockholm: Nationalmuseum

Thu, 03 Apr 2025 12:39:11 +0200

Kunst vom 16. Jhd an
Original Bild von Martin Luther

Estimating Gender Equality

Sun, 23 Mar 2025 19:23:45 +0100

Modeling

Assume we have data about job application procedures $P_i$, with $i \leqslant N \in \mathbb{N}$, where we have data about the number of male $M_i$ and $F_i$ applicants and if a male applicant was offered a job $P_i = 0$, or a female contestant, i.e., $P_i = 1$. Now, we wish to model the influence of a gender bias $\rho \in [0,1]$, where $\rho = 0$ means absolute bias towards men, so $P_i=0$ for all $i$, and $\rho=1$ would mean absolute bias in favor of female applicants. They way $\rho$ works is that if we have exactly two applicants, one male, one female, we select the male applicant with probability $(1-\rho)$ and the female applicant with probability $\rho$. Based on this and the assumption that all considered job applicants are absolutely equally qualified, we can model the density $f_i$ of $P_i$ as $$ f_i(n, \rho) = \delta_0(n) \cdot \frac{(1-\rho) M_i}{(1-\rho)M_i + \rho F_i} + \delta_1(n) \cdot \frac{\rho F_i}{(1-\rho)M_i + \rho F_i}, $$ which essentially generalizes above two-applicant scenario to arbitrary number of applicants. Now, since we have real worl data of the past, so $P_i = x_i$ together with concrete values for $M_i$ and $F_i$, we can turn things around and instead estimate $\rho$ from these cases. Since, we have a precise statistical model for our observations, we can use the maximum likelihood approach over the joint density of all observations. Under the assumption, that the job application procedures are mutually independent, we have that $$ f(\rho \vert x_1, \dots, x_N) = \prod\limits_{i=1}^N f_i(\rho \vert x_i), $$ which after applying a $\log$ on both sides and negating gives the negative log-likelihood $$ \lambda(\rho \vert x_1, \dots, x_N) = -\sum\limits_{i=1}^N \log f_i(\rho \vert x_i). $$ The value $\rho^\ast$ for which $ \lambda(\cdot \vert x_1, \dots, x_N) $ is maximized is called the maximum likelihood estimate.

Make it stawp, plz!

Sat, 13 Jul 2024 09:17:56 +0200

Did you take the last One?

Sun, 07 Jul 2024 15:03:25 +0200

Highway to Convergence

Sun, 07 Jul 2024 15:03:25 +0200

I still need to know

Sun, 07 Jul 2024 15:03:25 +0200

My Tears are your Lube

Sun, 07 Jul 2024 15:03:25 +0200

Numpy, I am talking to you!

Sun, 07 Jul 2024 15:03:25 +0200

Why even bother?

Sun, 07 Jul 2024 15:03:25 +0200

Don't Shoot the Messenger