対象 | 効果の有無 | 誤るリスク |
---|---|---|
コントロール | 効果がある | 効果があるのにない誤るリスク |
コントロール | 効果がない | 効果がないのにあると誤るリスク |
科学の方法において、 目的とする仮説の検証をするとき、 比較の対照となる基準を、コントロールとかブランクとか言います。
コントロール群(対照群)と「処理(治療)群」で効果の有意差を検定するときは、 独立変数をコントロールし、未知の要因は ランダム化 します。
薬理効果の場合は、プラセボ効果も ランダム化 します。 また、二重盲検によって実験者もランダム化します。
種類 | 分類 | 言語 | 特徴 | |
---|---|---|---|---|
インタプリタ | Webアプリ | JavaScript | Webブラウザ上で動作(クライアントサイド) | |
vb script(vbs,vba,asp) 1 ) | 1964 開発 キーボードとディスプレイが必要 | |||
AI Webアプリ |
|
matplotlibで、 論文や プレゼンテーションのグラフ作成に。 ビッグデータ データサイエンス * 、 マテリアルズインフォマティクス *、AI | ||
教育 | Scratch | ビジュアルプログラミング | ||
コンパイル | OS | C 3 ) | ポインタ、構造体 | 汎用 | VB.NET | オブジェクト指向(多重継承なし) | 汎用 | Kotlin | アンドロイドアプリ向け |
OS | C++ | オブジェクト指向 |
ファイルベースのシステムでは、コンパイラ言語は実行可能なファイルを生成し、 インタプリタ言語はそれを生成しないという違いがありました。 しかし、クラウドベースになって、実行ファイルそのものをクライアントにダウンロードしなくなり、 ジャストインコンパイルで実行結果だけを利用するようになると コンパイラ言語とインタプリタ言語の違いは、あまり本質的でなくなりました。
科学技術用の伝統的な言語としては、FORTRANがあります。 FORTRAN系列の言語としては、BASIC、pythonがあります。 統計用言語としてRがあります。
アルゴリズム重視の伝統的な言語としてALGOLがあります。 ALGOLは、Pascal, C, C++, C#,java, javascript, typescript, Kotlinと進化してきました。 juliaはCに迫る計算速度を誇ります。
サーバーサイドで使われてきたPerlや Ruby もクラウドで利用できるようになってきました。
人工知能で伝統的な言語Lispは、F#、 Schemeもクラウドで利用できるようになってきました。
人気 プログラミング言語 は、java script、そしてpython*と続きます。 *
番号 | 値 | 番号 | 値 | 番号 | 値 | 番号 | 値 | 番号 | 値 |
---|---|---|---|---|---|---|---|---|---|
1 | 56.10 | 2 | 37.56 | 3 | 69.61 | 4 | 48.02 | 5 | 61.77 |
6 | 45.08 | 7 | 59.37 | 8 | 48.46 | 9 | 54.44 | 10 | 46.01 |
11 | 59.76 | 12 | 40.59 | 13 | 63.77 | 14 | 48.00 | 15 | 43.67 |
16 | 59.07 | 17 | 43.74 | 18 | 49.40 | 19 | 62.12 | 20 | 48.01 |
21 | 57.49 | 22 | 43.59 | 23 | 56.59 | 24 | 54.89 | 25 | 44.27 |
26 | 48.47 | 27 | 44.32 | 28 | 43.19 | 29 | 54.16 | 30 | 47.05 |
31 | 24.89 | 32 | 53.62 | 33 | 50.07 | 34 | 51.69 | 35 | 36.15 |
36 | 46.74 | 37 | 55.38 | 38 | 44.31 | 39 | 63.94 | 40 | 39.15 |
41 | 53.37 | 42 | 55.77 | 43 | 57.29 | 44 | 47.46 | 45 | 39.78 |
46 | 47.47 | 47 | 61.87 | 48 | 47.79 | 49 | 41.39 | 50 | 42.07 |
51 | 49.65 | 52 | 42.90 | 53 | 50.04 | 54 | 61.15 | 55 | 59.81 |
56 | 55.49 | 57 | 61.37 | 58 | 44.66 | 59 | 46.96 | 60 | 46.25 |
61 | 66.63 | 62 | 57.97 | 63 | 58.84 | 64 | 46.63 | 65 | 44.93 |
66 | 53.34 | 67 | 60.30 | 68 | 70.82 | 69 | 40.36 | 70 | 43.68 |
71 | 62.79 | 72 | 62.35 | 73 | 37.54 | 74 | 55.63 | 75 | 45.43 |
76 | 55.16 | 77 | 36.97 | 78 | 55.13 | 79 | 61.79 | 80 | 50.02 |
81 | 74.73 | 82 | 62.18 | 83 | 51.09 | 84 | 60.43 | 85 | 38.89 |
86 | 51.55 | 87 | 55.57 | 88 | 51.42 | 89 | 46.76 | 90 | 69.40 |
91 | 53.84 | 92 | 45.72 | 93 | 44.35 | 94 | 43.64 | 95 | 47.37 |
96 | 42.30 | 97 | 50.41 | 98 | 46.21 | 99 | 66.10 | 100 | 42.74 |
アプリ& 言語 | プログラム例 | ||
---|---|---|---|
母平均 | 標本平均 | ||
SQL * | select AVG(price) from products | ||
Python * |
average = statistics.mean(data) average = np.mean(data) |
||
Google sheet * | E3= AVERAGE(B3:D3) E4= AVERAGEA(B3:D3) | ||
Excel * | E3= AVERAGE(B3:D3) |
母平均は ギリシャ文字の で表し、標本平均は、ラテン文字(ローマ字、アルファベット)のxにバーをつけた で、表現することが多いです。
算術平均のほかに、調整平均(トリム平均)も使われます。 6 ) 7 )
*アプリ& 言語 | プログラム例 | |
---|---|---|
母標準偏差 | 標本標準偏差 | |
SQL * * | select STDEVP(price) from products | select STDEV(price) from products |
Python 8 ) * |
print(np.std(df.Age)) |
print(np.std(df.Age, ddof=1)) std = statistics.stdev(data) * |
Google sheet * | =STDEVP() | =STDEV() |
Excel * |
=STDEV.P() =STDEVP() |
=STDEV.S() =STDEV() |
母標準偏差は ギリシャ文字の で表し、標本平均は、ラテン文字(ローマ字、アルファベット)の で、表現することが多いです。
import numpy as np import matplotlib.pyplot as plt import random sm = 52.2 # 平均(母平均) ss = 9.5 # 標準偏差(母標準偏差) sn = 10000 # 母数 en = 5 # 標本数 x = np.random.normal(loc=sm, scale=ss, size=sn) sampled = random.sample(x.tolist(), en) #無作為抽出 fig = plt.figure() ax1 = fig.add_subplot(2, 1, 1) ax2 = fig.add_subplot(2, 1, 2) ax1.hist(x) ax2.hist(sampled) plt.show() average1 = np.mean(x) stdev1 = np.std(x) average2 = np.mean(sampled) stdev2 = np.std(sampled) print('inf',sm,ss) print(sn,average1,stdev1) print(en,average2,stdev2)
# ■■■ 平均値の有意差検定 ■■■ import numpy as np import matplotlib.pyplot as plt import matplotlib.patches as patches import random from scipy import stats sm = 52.2 # 平均(母平均) ss = 9.5 # 標準偏差(母標準偏差) sn = 10000 # 母数 en = 5 # 標本数 x = np.random.normal(loc=sm, scale=ss, size=sn) sampled = random.sample(x.tolist(), en) #無作為抽出 y = [ 0.5 for p in sampled] smm = 64.8 # 平均(母平均) ssm = 13.9 # 標準偏差(母標準偏差) xm = np.random.normal(loc=smm, scale=ssm, size=sn) sampledm = random.sample(xm.tolist(), en) #無作為抽出 ym = [ -0.5 for p in sampledm] t, p = stats.ttest_ind(sampled, sampledm, alternative='two-sided') #alternative=two-sided(両側検定), less(小なり片側検定), greater(大なり片側検定) fig = plt.figure() ax1 = fig.add_subplot(3, 1, 1) ax2 = fig.add_subplot(3, 1, 2) ax3 = fig.add_subplot(3, 1, 3) ax1.hist(x, color="pink") ax1.axvline(np.mean(sampled),c="r") ax1.text(np.mean(sampled), sn/5, " $\mu_\mathrm{f}$ = " + "{:.1f}".format(sm)) e2 = patches.Ellipse(xy=(np.mean(sampled), +0.5), width=np.std(sampled)*6, height=0.2, fc='pink') ax3.add_patch(e2) ax3.axvspan(xmin=np.mean(sampled)-np.std(sampled), xmax=np.mean(sampled)+np.std(sampled), color="pink", alpha=0.3) ax3.axvline(np.mean(sampled),c="r") ax3.scatter(sampled,y,c="r") ax3.text(np.mean(sampled), +0.25, " $\overline{x}_\mathrm{f}$ = " + "{:.1f}".format(np.mean(sampled))) ax2.hist(xm,color="cyan") ax2.axvline(np.mean(sampledm),c="b") ax2.text(np.mean(sampledm), sn/5, " $\mu_\mathrm{m}$ = " + "{:.1f}".format(smm)) e1 = patches.Ellipse(xy=(np.mean(sampledm), -0.5), width=np.std(sampledm)*6, height=0.2, fc='cyan') ax3.add_patch(e1) ax3.axvspan(xmin=np.mean(sampledm)-np.std(sampledm), xmax=np.mean(sampledm)+np.std(sampledm), color="cyan", alpha=0.3) ax3.axvline(np.mean(sampledm),c="b") ax3.scatter(sampledm,ym,c="b") ax3.text(np.mean(sampledm), -0.35, " $\overline{x}_\mathrm{m}$ = " + "{:.1f}".format(np.mean(sampledm))) ax3.text(30, 0.15, "$t$ = {:.3f}".format(t)) ax3.text(30, -0.15, "$p$ = {:.3f}".format(p)) plt.show() # ■■■ 平均値の有意差検定 ■■■
種類 | 例 | 説明 |
---|---|---|
文書作成 ワープロ |
![]() |
|
表計算 | 数値を計算し、 表 や グラフなどの図表を作成するアプリです。 平均、 標準偏差などの統計量も計算できます。 データ の件数は 30件程度までが適切です。 それ以上の件数の場合、データベースアプリと連携して 抽出した データ を使う方が効率的です。 | |
👨🏫 プレゼンテーション |
|
|
グラフィックス |
|
図形、 地図や 写真などの 画像の作成や編集をします。 |
CAD | Solid works * | 図面 |
Autodesk AutoCAD Web | 図面 | |
生成AI | Chat GPT Gemini | 文章や 画像の生成をします。 |
Webページ作成 | HTML editor | |
データベース | Microsoft Access Microsoft SQL Server | |
動画編集 | ||
👨🏫 プログラミング |
|
|
ビジネス ・グループウェア |
|
アプリ には、 オペレーティングシステム (OS) 上で動く、インストールアプリと、 Webブラウザ 上で動く Webアプリがあります 15 ) 。
概念 | 種類 | 例 | |
---|---|---|---|
数 | 自然数 | 1,2 | |
有理数 | -1(整数、負数),0.5(小数),1/3(分数) | ||
無理数 | √2(無理数)は、根号と数字で表現されます。 π(円周率)、e(ネーピアの底)は数を表現する文字ですが、数字ではありません。 | ||
数字 | 算用数字 | 1234567890 | アラビア数字、インド数字と呼び名には歴史的経緯があります。 0という数字の発明により * 、数値に桁(デジット)の概念が導入され、計算が著しく早くなりました。 |
漢数字 | 一二三壱弐参 | ||
ローマ数字 | ⅠⅡⅢⅣⅤ | 11世紀 商人が計算に便利な算用数字を使おうとしていたところ、 ギルドが公文書でその使用を禁止しました * 。 | |
数値 | 数量を数字で表現 (デジタル表示) |
3.14,6.02×1023 | 量を数にするには、 単位 が必要です。 ただし、 単位 は、人が決めたものなので、物理の範疇にはありません *。 数値は、 数式に代入することができます。 量と量との関係を表現した物理の関係式は、人が決めた 単位 に依存しないので、 単位 を書くべきではありません。 |
数を数字で表現する方法として、アラビア数字による位取り記数法があります。(新 情報技術基礎p.26) コンピュータの内部では、符号付き整数、 倍精度浮動小数点数型(FP64-64bit)、などとして表現されます。