約 2,951,172 件
https://w.atwiki.jp/fmemo/pages/47.html
IDLをつかって1次元配列を可視化する方法について このページはつくりかけです。
https://w.atwiki.jp/astrophysics/pages/47.html
IDLのメモページ 役に立つリンク 天文データーセンターIDL講習会。IDL講習会の過去ログ。非常に役立つ。 IDL command 京大の渡辺さんのIDLメモページ。 IDL Wiki IDL News Group Googole GroupのIDL ユーザーのためのフォーラム。 IDL VMを使う IDLで.savファイルを作って、ローカルで計算をやりたいときは、これを使えば良い。 GDL GNU IDL。誰か使ったら、使いごこちを教えてください。 コメントアウト コメントアウトは print, Hello world ; this is comment のように、セミコロンを使えば良い。 複数行にわたってコマンドを書く この場合は、 print, Alternative words of hoge are , $ fuga and homu Unixのコマンドを打ちたい IDL上でunixのコマンドを打ちたいとき、たとえばlsをしたいときは、 IDL $ls というように、最初に$を入れる。 helpを表示したい なにかわからないことがある場合は IDL ? と打てば、ヘルプウィンドウが開かれる。そこで調べればよい。コマンドについて調べたい時(unixで言うところのman command_name)は、 IDL ? command_name と打てば良い。 値を代入する xに3という値を代入したいときは、 IDL x=3 というようにする。 値を表示する 先ほどのxに、どんな値がはいっているかが気になるときは、 IDL print, x で、xの値が表示される。 どんな変数か確認する IDL help, x と打つと、その変数の型と行列数が表示される。 小数点以下をいろいろと丸める 小数点以下四捨五入するときはround, 小数点以下小さい方に揃えるときはfloor, 小数点以下大きい方に揃えるときはceilを使う。 具体的には、 IDL x=5.6 IDL print,round(x),floor(x),ceil(x) 6 5 6 となる。 配列を作る 配列をつくるときは、make_arrayというのが使える。 IDL hoge = make_array(3, 2, /index, /int) IDL print, hoge 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 みたいな感じ。 arrayの表示 printを使っていろいろな表示の仕方がある。IDLは、indexのはじまりは0からである。たとばえ、 IDL arr = indgen(5) * 3 IDL print, arr 0 3 6 9 12 IDL print, arr[0 3] 0 3 6 9 IDL print, arr[2] 6 IDL print, arr[*] 0 3 6 9 12 IDL print, arr[1 *] 3 6 9 12 みたいな感じ。 regression lineの傾きと切片を求める 2つのパラメータの相関関係が線形であるとき、その線形関係(f(x)=a+bx)のa, bを求めるコマンドがある。 SIXLINコマンドというのがあり、くわしくは http //www.astro.washington.edu/docs/idl/cgi-bin/getpro/library01.html?SIXLIN を参考にすること。 2つの相関の強さを求めたい 2つの相関がどれだけ有意なのか、というのを求めるテストとして、Spearman s rank testというのがある。IDLでその相関係数と null hypothesis probabilityを求めることができる。 R_correlateについてhttp //idlastro.gsfc.nasa.gov/idl_html_help/R_CORRELATE.html P_correlateについて http //idlastro.gsfc.nasa.gov/idl_html_help/P_CORRELATE.html KS test IDLはKS testもできる。 KSONE, KSTWOの2つがある。 KSONE http //idlastro.gsfc.nasa.gov/ftp/pro/math/ksone.pro KSTWO http //astro.uni-tuebingen.de/software/idl/astrolib/math/kstwo.html IDLでFitting スペクトルデータやSEDを特定の関数でfittingしたいときにも、IDLは便利である。 ここのMPFITの解説ページに詳細が載っているので、参考にするとよい。 関数の定義 基本的には、exprという関数を自分で定義する。たとえば、横軸波長[um], 縦軸[Jy]のときに、銀河のとあるSEDを黒体輻射の関数でfittingを行いたい場合は、 expr = P[0]*(X+P[2])^(-3)/(exp(14390/(P[1]*(X+P[2])))-1) のように、fittingしたいパラメータを、P[n] (n=0,1,2,…)で置いてやればよい。今の場合、P[0]はnormalization, P[1]は温度、P[2]はredshiftである。 初期値の設定 その後、初期値を設定する。 start=[1000.0, 2300.0, 0.102] と書いてやると、左からそれぞれ、P[0], P[1], P[2]の初期値になっている。 パラメータの値の制限 初期設定では、パラメータは自由に動くことができて、現実にそぐわない結果がでることがあるかもしれない。そのような場合は、各パラメータの状況に応じて、値を固定したり、値の動くことができる領域を制限したりすることが必要になる。今回の場合、redshiftは銀河一個ずつ決まっているものなので、値を固定したいし、黒体輻射の温度Tは、非常に高音成分をトレースしたいので、T 1500Kの下限値を儲けたい、ということにしてみる。 パラメータを固定 (fix)
https://w.atwiki.jp/show05/pages/13.html
履歴 2010-07-16 鳩山政権期間中のメディア別偏差のデータを追加。 衆院小選挙区得票数比の分布 小選挙区はわずかな支持の差で大きな議席の差になることはよく知られているけど、どれだけそうなるかについては「3乗則」のような経験則しか聞いたことがない。対決する2党にどれだけ全体の得票数差(正確にはロジット差)があれば、どれだけ議席を得られるかを2005年小泉郵政選挙を例にちょっと真面目に調べた。結果、選挙区のロジット差を大きさの順に並べたものはロジスティック分布で近似できるようである。これも経験則であって、こうなる理論的背景は不明。これが正しければ分布の平均(おおよそ全体の得票のオッズ比)と分散がわかれば、議席数が予測できる。 下図は横軸が得票数のオッズ比の対数で、正なら自民党、負なら民主党の勝利。ロジスティック分布と正規分布は見た目、非常に近いが、4次モーメントを表す「尖度」は前者1.2、後者が0となる。この実例では尖度は1.05となっておりロジスティックに近い。ロジスティック分布の分布関数は確率変数の指数をとるので、なにやら冪乗的関係は出てきそうだが、3乗という感じにはみえない。なおこれは1例だけの結果で、2009年衆院選でもこのことが成り立っているかは調べていない。 支持率調査のメディア別偏差 内閣・政党支持率調査などの世論調査の値は、同時期に行われた調査でもメディアによって大きく異なっている場合がある。麻生内閣の支持率・不支持率を例にして、このサイトで求めている近似グラフを基準とし、どの程度各メディアの調査結果がずれているかを下のグラフに示す。 図のσは調査結果の標準偏差の大きさに相当し、実際の調査ではおおよそ1%強の値になることが多い。多くのメディアは中心部分2σ程度の範囲で団子になっている。上図は飽くまで近似曲線から各メディアがどの程度ずれているかを示すもので、近似曲線が推定にすぎない以上、この図に示されたメディア毎の偏差もどの程度正しいか判断するのは難しいが、2σ程度のずれが残っていることは十分考えられる。 JNNだけは右上に離れているが、これはJNNの調査が他のメディアの調査と違って、強い支持・不支持と弱い支持・不支持を問う4択であるため、支持でも不支持でもないという回答が非常に少なくなることによる。またここでの日経の値は、どちらでもないと回答した人に「気持ちに近いのはどちらか」と重ねて聞いた結果を加えており、やはり幾分右上にある。読売も重ね聞きをしているが日経ほどは追い込んでいないようだ。逆に図の左下は支持率も不支持率も小さめに出ることを意味し、時事がここに来ているのは、それが唯一面接調査であり、電話調査より態度を明確にしない人がいくらか多くなる傾向があるためだと考えられる。また朝日・毎日は日経・読売のような重ね聞きをしておらず、やはり低めになっている。回帰直線は求めていないが、全体としておおまかには45度の線より傾きが緩やかな線上に載っている。傾きが緩やかであるのは、より問い詰めるタイプの調査の場合、不支持と回答する人が相対的に多くなることを意味している。 同様の方法で鳩山内閣の支持率・不支持率に関する偏差を求めたのが以下のグラフ。 いくつかの点で麻生内閣と特徴的な違いがみられる。4択で追いつめるJNNに大きな違いがないにもかかわらず、時事は不支持の方へより傾いており、全体が麻生時代のような直線状になっていない。一定数の強い不支持層がある、もしくは強い支持が相対的に少ないことが読み取れる。また、毎日のみが支持が多く不支持が少ない側に大きく偏っている。毎日の内閣支持率調査には支持・不支持のほかに「関心がない」という選択肢があり、検証はしていないが、不支持を表明するよりも関心がないとする層が違いを生み出しているのかもしれない。 以下は同様に政党支持率調査のうち、麻生政権と鳩山政権での自民党・民主党の偏差のみを示したもの。軸はどちらも民主支持の偏差を横軸で自民支持の偏差を縦軸で表している。面接調査でかつ追い詰めて訊いていない時事は他のメディアより顕著に低く出ている。日経は「どの政党に好意を持つか」と追い詰めて結果を出している。NTVもまた「強いて挙げればどの政党か」と追い詰めたとしており、文言の違いが偏差の差となっていると思われる。明示されていないが他のメディアにも同様の方法を行っているものが多いと考えられる。 世論調査について語るとき、メディアの論調と世論調査の結果に相関があるかどうかがしばしば問題とされる。近似曲線が正しいものなら、グラフの対角線から左上-右下方向へのずれがこうした偏りを表すことになる。重ね聞きによるずれほど顕著でないものの、特に政党支持率調査では最大3~4σ程度のこうしたずれが現れている。はたしてこれがランダムな誤差以上の系統的なずれを表したものかどうか今のところ何ともいえないが、こうしたグラフのより長期の調査で明らかにしうるのではないかと期待される。 last update on 2010-07-16; - visitors
https://w.atwiki.jp/soyjoynice/pages/63.html
【Interface Definition Language】 インターフェイス定義言語。 * * * 参考: http //ejje.weblio.jp/content/IDL http //e-words.jp/w/IDL.html
https://w.atwiki.jp/show05/pages/15.html
トップページ|鳩山内閣 世論調査グラフ→ 内閣支持率報道2001首都圏調査との比較 政党支持率メディア別のシフトを施したグラフ 小政党の支持率 比例区投票先 小選挙区投票先 望ましい政権 首相にふさわしい 内閣成立後、直ぐにでも解散するなんてマスコミでは騒いでたのに、1年近く延々と続くことになりグラフもずいぶん長くなった。 内閣支持率 報道2001首都圏調査との比較 内閣支持率・不支持率において首都圏と全国調査との違いは認められない。 政党支持率 メディア別のシフトを施したグラフ 元データの政党支持率は非常にばらつくが、トレンドは一様であり、適切なシフトによって政党支持率の動向をかなりよく再現できる。 小政党の支持率 新聞世論調査程度のサンプル数では、小政党の支持の動向をはっきりつかむのはほとんど不可能に見える。 比例区投票先 小選挙区投票先 望ましい政権 首相にふさわしい 2010-07-21 -
https://w.atwiki.jp/tentenwiki/pages/34.html
天文関係で割と目にするプログラミング言語。インタープリタ。 プロットが綺麗だったりする。 IDLヴァーチャルマシンはこちら
https://w.atwiki.jp/chibutsu/pages/16.html
IDLについて IDLは有償ソフトウェアであり、対話型のプログラミング言語です。 便利な機能がたっぷりだそうですが、英語の説明書しかなくて情報も少ないので不べnうわなにをするやめ… 言わずと知れた高機能お絵描きソフトです.大きな計算はfortranとかCなりを使いましょう. 待望の日本語版の本が出たから今度からそれを使おうぜ IDLプログラミング入門 基本概念から3次元グラフィックス作成まで 附属図書館にもおいてあるよ
https://w.atwiki.jp/show05/pages/17.html
←鳩山内閣 世論調査グラフ|トップページ|菅内閣 世論調査 これまでのグラフ→ 内閣支持率 政党支持率 参院選投票先 ネット上で参照できるデータから後日作成した。(2010-06-27) 毎日・共同・時事のデータを追加。(2010-07-15) 内閣支持率 政党支持率 無党派には、「支持政党なし」と「わからない・答えない」(もしくは類似する選択肢)をともに含む。 参院選投票先 比例区と指定した調査とそうでない調査を含む。 2010-07-15 -
https://w.atwiki.jp/fmemo/pages/46.html
変数名の約束ごと 変数名は255文字まで。使える文字はアルファベット、アンダースコア、ドルマーク、数字。 ただし、最初の文字はアルファベット IDLのデータ型一覧 型名 サイズ(バイト) 変数の表現方法 範囲 型変換 配列宣言(初期値は0) 配列宣言(初期値は添字) Fortranの変数名 バイト 1 0B 0〜255 byte BytArr Bintgen integer(1) 2バイト符号付き整数 2 0 -32769〜32768 fix IntArr IndGen integer(2) 4バイト符号付き整数 4 0L long LonArr L64IndGen 整数 integer 8バイト符号付き整数 8 0LL long64 Lon64Arr UIndGen integer(8) 2バイト符号無し整数 2 0U uint UIntArr UIndGen - 4バイト符号無し整数 4 0UL ulong ULonArr ULIndGen - 8バイト符号無し整数 8 0ULL ulong64 ULong64Arr UL64IndGen - 浮動小数点数 4 0.0 float FltArr FIndGen 単精度実数 real 倍精度浮動小数点数 8 0.0D double DblArr DIndGen 倍精度実数 real(8) 文字列 0〜32767 "a"または a string StrArr SIndGen 文字列 character デフォルトの整数が2バイトである点に注意する事 初期値0の2バイト符号付き整数配列をつくる IDL ary1=BytArr(10) 初期値が添字になっている4バイト符号付き整数配列をつくる IDL ary2=L64IndGen(10) 4バイト符号付き整数を倍精度浮動小数点数に変換する IDL var1=0L IDL var2=double(var1) システム変数 システムに関係のある値が入っている。頭に!がつく。 !version.os OSの名前を示す。 IDL print, !version.os darwin IDL print, !version.os Win32 !D.Window アクティブなウインドウの番号を示す。 IDL print, !D.Window 1 !Path IDLのパスを示す。プロシージャやバッチファイル、関数、メインレベルプログラムはここに置く必要がある。
https://w.atwiki.jp/show05/pages/16.html
例としてA社とB社が同じ設問を含む世論調査を幾度か行ったとする。A社とB社で設問が似通っていたとしても実際には、質問の仕方やわずかな語句の違い、設問の順序などの要因で両者が得る値にはいくらかの食い違いが生ずると考えられる。特に例えば、明確な答えが得られなかった場合さらに追い詰めて聞く調査では、回答の合計の値が追い詰めない調査よりも明らかに高くなる。 いま、A社の設問をもし国中のすべての対象者(母集団)に聞いてまわったとしたときの「真」の値が、上図の赤い線のようだったとする。実際にはランダムに生成された電話番号などを利用して無作為抽出(ランダムサンプリング)に近いごく限られた人を対象とした標本調査を行うので、A社が得る回答には誤差が生ずる。このとき実際に得る値は赤い線からいくらかずれて、赤い四角のようになるだろう。誤差は毎回相関がなく(独立であり)、一定の分布に従うと仮定でき、標本の大きさと真の値から決まる。四角から上下に伸びた線(エラーバー)は誤差の大きさの目安で、このサイトのグラフでは標準偏差と呼ばれる値で示している。標準的な新聞の世論調査では、標準偏差はおよそ1.6%分以下となる。真の値は、普通このエラーバーから大きくは外れない位置にあるが、大雑把に言って3回に1回はこのエラーバーからはみ出してしまう。エラーバーの2倍よりもはみ出すのは20回に1回程度である。 同様にB社の設問の真の値が青い線のようだとし、標本調査で青い四角のようなデータを得るとする。上述の追い詰めの違いのような問題で、真の値のグラフはA社とB社でずれているが、類似した設問であればその時間的変化はよく似たものになるだろうと期待できる。そこで、ここでは真の値はA社とB社で形は同じで単に上下に「シフト」しているだけなのだと仮定する。このサイトのグラフの近似曲線で推定しようと試みているのはこうした各社の設問に対応する回答値の平均となるグラフである。このモデルが正しければ、近似グラフを求めるには、それを決めるパラメータとともに各社ごとのシフト値も同時に推定すればよい。この方法は、素朴にある週の各メディアの値を直接比較するのではなく、各メディアごとの調査結果の時間変化に注目して、それから改めて各メディアに共通の変化を抽出すると捉えることができる。 例えば下の図は麻生内閣期間中の各社の自民党支持率を表している。データは一見すると非常にばらついているようだが、高めに出る調査と低めに出る調査があるだけであり、色違いの各社の傾向をたどれば類似した変動を示しているのがわかる。 そこで上述の考えに基づいてそれらの変動がうまくたどれるように各社の調査値に適切なシフトを施すと次のグラフのようになる。 この例ではそれらを近似するものとして求めた曲線とシフト後の値とのずれは、理論的な標本誤差の1.2倍程度となっている。 具体的にどのように近似曲線を生成しているかについては、そのうち詳しく書くかも。 概説すれば、近似曲線は区分的な2次関数を用いたものである。すなわち近似する時間範囲をいくつかに分割し、各両端で滑らかに繋がるような区分的2次関数の族を考えて、尤もらしい標本誤差(正規化された分散1.0)を生ずる曲線の集まりの内で、ある意味において最も単純なもの(直線に近いもの)を選んでいる。ただし、直線ですでに分散が1.0以下であったり、ある許容された範囲で最大限に近似しても1.0を越えてしまう場合もある。メディアごとの変化がシフトだけで説明できるというモデルは正確なものではないので、実際の長期間の近似では分散1.0より大きな値を目標として近似している。一般に、真のグラフが細かく変動しているとしても、誤差と区別できないレベルのものはならされて近似グラフはより滑らかな直線的なものとなる。 なお、シフトや区分2次関数の近似グラフの計算は、0%~100%の範囲に制限された確率の値pそのものではなく、すべてロジットとよばれる値 logp− log(1 −p) に変換して行っている。計算は自作プログラム、グラフ生成はgnuplotを使用。 last update on 2010-08-02; - visitors