はてなブックマーク

Python の常識は Julia の非常識 以下は，ChatGPT に聞いたものを編集したものです。 Julia では、Python と同じ感覚でコードを書くと、パフォーマンスが落ちることがあるため、Julia の特性に合わせたコーディングスタイルを習得することが重要です。 Python での慣習や手法をそのまま Julia に持ち込むのではなく、Julia に最適化されたアプローチを取ることが重要です。 Julia と Python は、それぞれ異なる設計哲学に基づいており、パフォーマンスやコードの設計にも大きな違いがあります。Julia を使う際には、これらの違いを意識し、言語特有のベストプラクティスを採用することが重要です。 Python でのベストプラクティスが Julia では必ずしも当てはまらない場合があり、Julia 独自の特徴を理解して活用することが、効果的なコーディング

一元配置分散分析 帰無仮説 $H_0$：「各群の母平均値はすべて等しい」 対立仮説 $H_1$：「各群の母平均値はすべて等しいわけではない」 有意水準 $\alpha$ で検定を行う 独立2標本の場合以外では，片側検定は定義できない 独立二標本の平均値の差の検定で Welch の方法を取り上げていても，独立 $k$ 標本($k \geqq 3$) の場合の Welch の方法を取り上げていないサイトや教科書も数多い。 検定の多重性の問題も考えれば，「各群の分散が等しい」と仮定する方法を採用する意義はほとんどない。 更にひどい話だが，Julia の OneWayANOVATest() は，各群のサンプルサイズが等しくないときには誤った答えを出すというバグがあり，このバグは 2021/08/02 に報告されているにも関わらず，2022/05/13 現在でも未だに修正されていない。 1. 各群の