Microblaze C reference/cheat sheet
Transcription
Microblaze C reference/cheat sheet
Matematisk Modellering 1 Cheat Sheet By a team of brave computer scientists: Mads P. Buch, Tobias Brixen, Troels Thorsen, Peder Detlefsen, Mark Gottenborg, Peter Krogshede Q3 - 2013 1 Matematisk Modellering 1 Cheat Sheet Q3 2013 Contents 1 Basalt 1.1 Varianser . . . 1.2 Middelværdier 1.3 α . . . . . . . . 1.4 β . . . . . . . . 1.5 F-test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 3 3 3 3 observationsrække Main points . . . . . . . . . . . Fraktildiagram . . . . . . . . . Estimer varians og middelværdi Konfidensinterval . . . . . . . . SAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 3 4 4 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 5 5 5 5 6 4 Flere Observationsrækker 4.1 Main points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6 5 Lineær regression 5.1 Main points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2 Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6 6 6 Multinomialfordelingen 6.1 Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2 Likelihood . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 7 7 7 Likelihood teori 7.1 Likelighood ligning . . 7.2 Handy formler . . . . 7.3 Ln regneregler . . . . . 7.4 Maksumum likelihood 7.5 Differentiering . . . . . 7 7 7 7 7 8 2 En 2.1 2.2 2.3 2.4 2.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 To observationsrækker 3.1 Main points . . . . . . . . . . 3.2 Homogenitet . . . . . . . . . 3.3 Estimater . . . . . . . . . . . 3.4 Konfidensintervaller . . . . . 3.5 SAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Lommeregner 8 9 Fordelinger 8 Side 2 af 8 Matematisk Modellering 1 Cheat Sheet 1 Q3 2013 Basalt 1.1 Varianser estimerede varians = emperisk varians, man siger σ 2 ← s2 ∼∼ σ 2 χ2 (f rihedsgrader)/f rihedsgrader Variansen er ogs˚ a kendt som mean square. se s. 78 og/eller 125.n 1.2 Middelværdier estimerede middelværdi µ←x ¯. ∼∼ N (µ, σ 2 /n) se side 78 1.3 α fordeling s. 155, gider ikke skrive den ind :/ 1.4 β Fordeling s. 155, gider ikke skrive den ind :/ 1.5 F-test tester hvor langt to fordelinger er fra hinanden P obs = 1 − F (f02 − f01 , f01 ) hvor f02 er fra ”fraModellen” og f01 er fra ”tilModellen” 2 En observationsrække 2.1 Main points Findes p˚ a side 78. Her er lidt ekstra facts: • S er sum af observationer • s2 er estimat af varians (empiriske varians) • σ er spredning • σ 2 er varians 2.2 Fraktildiagram Beregningsskema p˚ a s. 31. OBS! Det p1 der bruges i Φ−1 er p1 i den forg˚ aende søjle divederet med 100. Side 3 af 8 Matematisk Modellering 1 Cheat Sheet Q3 2013 Virtuel test for normaldata Det kan antages at data er normalfordelte hvis de ikke afviger systematisk fra en ret linje p˚ a sandsynlighedspapir. Middelværdien kan ca aflæses som x værdien ved y = 0. Her ca 10 (beregnet til 10.82) 2.3 Estimer varians og middelværdi Se fordelinger i main points Middelværdi Varians Første formel p˚ a s. 64 Formel fra side 64 for s2 s2 = 1 S2 (U SS − ) n−1 n Frihedsværdier: f = n − 1 2.4 Konfidensinterval For 95% konfidensinterval skal α = 0.05 s˚ a (1 − α) = (1 − 0.05) = 0.95. For fomler se main points. 2.5 SAS Her skal være et ScreenShot af fra en aflevering med ring om hvad vi kan læse ud fra det. Side 4 af 8 Matematisk Modellering 1 Cheat Sheet 3 3.1 Q3 2013 To observationsrækker Main points Findes p˚ a side 94. 3.2 Homogenitet Test for homogenitet for σ 2 og µ findes i main points. 3.3 Estimater Alt efter model, kan man bruge disse estimater: σi2 ← s2(i) = 1 S2 (U SSi − i ) ∼∼ σ 2 χ2 (f(i) )/f(i) ni − 1 ni µi ← x ¯i. = σ 2 ← s21 = σ2 Si ∼∼ N (µi , i ) ni ni 2 f(1) s2(1) + f(2) f(2) ∼∼ σ 2 χ2 (f1 )/f1 f(1) + f(2) Hvor f1 = f(1) + f(2) = n. − 2 µ←x ¯.. = 3.4 S1 + S2 σ2 ∼∼ N (µ, ) n1 + n2 n. Konfidensintervaller Brug formlerne fra ´en observationsrække p˚ a side 79. Fælles varians C95% (σ 2 ) = h f1 s21 f1 s21 i , χ20.975 (f1 ) χ20.025 (f1 ) Forskellig varians C95% (σi2 ) = h f(i) s2(i) , f(i) s2(i) i χ20.975 (f(i) ) χ20.025 (f(i) ) Fælles (og forskellig) middelværdi (varians ukendt) s s h i s21 s21 C95% (µ(i) ) = x ¯i. − t0.975 , x ¯i. + t0.975 ni ni Hvis der er fælles middelværdi, brug da x ¯.. Side 5 af 8 Matematisk Modellering 1 Cheat Sheet 3.5 4 Q3 2013 SAS Flere Observationsrækker 4.1 Main points Findes p˚ a side 114. Udregninger med USS, S & n findes p˚ a side 116. 5 Lineær regression 5.1 Main points Findes p˚ a side 155. comparison of regression lines: s. 187 5.2 Test Ens varians for 2 regressioner: Vi g˚ ar fra modellen M0 til M1 ved at lave F-test fra Main Points s. 94. Skema til beregninger og i lineære regressioner og fordelinger for parametre findes p˚ a s. 125. Side 6 af 8 Matematisk Modellering 1 Cheat Sheet 6 6.1 Q3 2013 Multinomialfordelingen Test først skal der regnes en -2lnQ(x) værdi, til det kan formlem p˚ a side 344 bruges. Pobs er herefter = 1−FX 2 (k−1−a) (−2lnQ(x)) (Hvilket svarer til CDF(ChiSquareDistribution(k1-a)),-2lnQ(x)) 6.2 Likelihood for at finde likelihood funktionen for en Multinomial distribution, se s.305m , husk at brøken kan forkortes som p˚ a s.301m 7 Likelihood teori Likelighood funktionen er sandsynlighedsfunktionen (PDF). Hvis dert er over flere, er det produktet af sandsynlighedsfunktionerne. 7.1 Likelighood ligning differentier logarritmen til likelihood funktionen 7.2 Handy formler 3 1/2·3 1 3/2 1 3 1 3 −1·1/2 −1 = = y = y = √ y y y 1/2 Likelihood funktionen er tæthedsfunktionerne ganget samme. Tæthedsfunktionen for en normalfordeling: fX (x) = √ 7.3 1 2πσ 2 e− (x−µ)2 2σ 2 Ln regneregler ln(ex ) = x eln(x) = x ln(x · y) = ln(x) + ln(y) ln(x / y) = ln(x) − ln(y) ln(xy ) = y · ln(x) ln(1) = 0 7.4 Maksumum likelihood Udled Log(L(x)) (Log likelihood), find derefter maksimum af funktionen: Dette kan gøres ved at sætte den differentierede funktion til 0, og ulede variablen derefter. Husk at tjekke at resultatets differentiering er ¡ 0 for at tjekke af det er maksimum funktionen. Side 7 af 8 Matematisk Modellering 1 Cheat Sheet 7.5 Q3 2013 Differentiering Bl.a. flip af param inde i ln 8 Lommeregner Generelt for TI-89: Catalog =⇒ F3 =⇒ Brug alpha til at finde funktionen Funktion Φ−1 (p) Φ(p) Fχ2 (k−1) (Ba) FF (k−1,n.−k) (F ) t1−α/2 (f ) u1−α/2 χ21−α/2 (f) 9 TI-89 invNorm(p) normCdf(-∞,p) chi2Cdf(0,Ba,k-1) FCdf(-∞,F,k-1,n.-k) inv t(-∞,α/2,f) invNorm(α/2,0,1) invChi2(1-α/2,f) TI-Tobias placeholder placeholder placeholder placeholder placeholder placeholder placeholder Fordelinger ¯ ∼ N (u, o/n) Hvis det gælder at X. ∼ N (u, o) ⇒ X. Side 8 af 8