Uvod do praktick´ ´ e fyziky, cviˇ cen´ı 3 N´ ahodn´ a promˇ enn´ a a jej´ı popis
Jan Matouˇsek
13. 10. 2020
Gener´ atory n´ ahodn´ ych ˇ c´ısel
Skuteˇcnˇe n´ahodn´a ˇc´ısla
Mˇeˇren´ı fyzik´aln´ıho procesu, kter´y je n´ahodn´y nebo jej nelze modelovat, napˇr.
hod kostkou nebo minc´ı, elektronick´y ˇsum, radioaktivn´ı rozpad.
”Hardwarov´y gener´ator“.
Pseudo-n´ahodn´a ˇc´ısla Generov´ana algoritmem.
Jsou reprodukovateln´a (pˇri znalosti poˇc´ateˇcn´ıho stavu).
Jednoduch´y pˇr´ıklad:Line´arn´ı kongruentn´ı gener´ator Ni+1= (aNi+ b) mod m, a, b, m jsou velk´a pˇrirozen´a ˇc´ısla.
0 < a < m, 0 < b < m.
N0je
”sem´ınko“ – seed.
Chceme-li Xi∈ (0, 1): Xi= Ni/m.
Perioda: maxim´alnˇe m.
Kvalita gener´atoru silnˇe z´avis´ı na volbˇe a, b, m.
Dalˇs´ı gener´atory, napˇr.Mersenne twister(z´akladn´ı pro Excel, Python, Matlab...).
Gener´ atory n´ ahodn´ ych ˇ c´ısel
Skuteˇcnˇe n´ahodn´a ˇc´ısla
Mˇeˇren´ı fyzik´aln´ıho procesu, kter´y je n´ahodn´y nebo jej nelze modelovat, napˇr.
hod kostkou nebo minc´ı, elektronick´y ˇsum, radioaktivn´ı rozpad.
”Hardwarov´y gener´ator“.
Pseudo-n´ahodn´a ˇc´ısla Generov´ana algoritmem.
Jsou reprodukovateln´a (pˇri znalosti poˇc´ateˇcn´ıho stavu).
Jednoduch´y pˇr´ıklad:Line´arn´ı kongruentn´ı gener´ator Ni+1= (aNi+ b) mod m, a, b, m jsou velk´a pˇrirozen´a ˇc´ısla.
0 < a < m, 0 < b < m.
N0je
”sem´ınko“ – seed.
Chceme-li Xi∈ (0, 1): Xi= Ni/m.
Perioda: maxim´alnˇe m.
Kvalita gener´atoru silnˇe z´avis´ı na volbˇe a, b, m.
Dalˇs´ı gener´atory, napˇr.Mersenne twister(z´akladn´ı pro Excel, Python, Matlab...).
Spektr´ aln´ı test gener´ atoru
Testuje korelace po sobˇe jdouc´ıch n´ahodn´ych ˇc´ısel.
Line´arn´ı kongruentn´ı gener´atory jsou k tomu n´achyln´e.
Bodov´y graf, souˇradnice bodu napˇr. Xi, Xi+1, Xi+2.
Jeden rozmˇer se d´a nahradit barvou bodu.
Zn´am´y
”odstraˇsuj´ıc´ı pˇr´ıpad“: gener´ator RANDU ze 60. let od IBM.
Vyzkouˇsejte udˇelat test nativn´ıho gener´atoru v Pythonu (viz pˇr´ıklad na webu).
Pˇr´ıpadnˇe napiˇste funkci pro line´arn´ı kongruentn´ı gener´ator a vyzkouˇsejte r˚uzn´a nastaven´ı parametr˚u a, b, m, N0.
Spektr´ aln´ı test gener´ atoru
Testuje korelace po sobˇe jdouc´ıch n´ahodn´ych ˇc´ısel.
Line´arn´ı kongruentn´ı gener´atory jsou k tomu n´achyln´e.
Bodov´y graf, souˇradnice bodu napˇr. Xi, Xi+1, Xi+2.
Jeden rozmˇer se d´a nahradit barvou bodu.
Zn´am´y
”odstraˇsuj´ıc´ı pˇr´ıpad“: gener´ator RANDU ze 60. let od IBM.
Vyzkouˇsejte udˇelat test nativn´ıho gener´atoru v Pythonu (viz pˇr´ıklad na webu).
Pˇr´ıpadnˇe napiˇste funkci pro line´arn´ı kongruentn´ı gener´ator a vyzkouˇsejte r˚uzn´a nastaven´ı parametr˚u a, b, m, N0.
Rovnomˇ ern´ e rozdˇ elen´ı v Excelu
Vygenerujte v Excelu N = 1000 n´ahodn´ych ˇc´ısel z rovnomnˇern´eho rozdˇelen´ı U (0, 1) a nakreslete histogram nasimulovan´ych hodnot.
N´ahodn´e ˇc´ıslo z U (0, 1):
RAND() (pˇr´ıpadnˇe N´AHˇC´ISLO()).
Histogram: FREQUENCY(sample;bins), (pˇr´ıpadnˇe ˇCETNOSTI()). Je to maticov´y vzorec – v´ystupem je sloupec bunˇek.
Maticov´e vzorce v Excelu:
1. oznaˇcit v´ystupn´ı oblast
2. napsat vzorec a Ctrl+Shift+ENTER
Normalizujte histogram, aby jeho plocha byla jednotkov´a,
N
X
i=0
miδ = 1.
Zde δ je ˇs´ıˇrka binu, tedy δ =N1.
Rovnomˇ ern´ e rozdˇ elen´ı v Excelu
Vygenerujte v Excelu N = 1000 n´ahodn´ych ˇc´ısel z rovnomnˇern´eho rozdˇelen´ı U (0, 1) a nakreslete histogram nasimulovan´ych hodnot.
N´ahodn´e ˇc´ıslo z U (0, 1):
RAND() (pˇr´ıpadnˇe N´AHˇC´ISLO()).
Histogram: FREQUENCY(sample;bins), (pˇr´ıpadnˇe ˇCETNOSTI()). Je to maticov´y vzorec – v´ystupem je sloupec bunˇek.
Maticov´e vzorce v Excelu:
1. oznaˇcit v´ystupn´ı oblast
2. napsat vzorec a Ctrl+Shift+ENTER
Normalizujte histogram, aby jeho plocha byla jednotkov´a,
N
X
i=0
miδ = 1.
Zde δ je ˇs´ıˇrka binu, tedy δ =N1.
Rovnomˇ ern´ e rozdˇ elen´ı v Excelu
Rozdˇelen´ı spojit´e n´ahodn´e promˇenn´e je d´ano hustotou pravdˇepodobnosti f (x) nebo distribuˇcn´ı funkc´ı
F (x) = Zx
−∞
f (ξ)dξ.
Normovan´y histogram miodpov´ıd´a hustotˇe pravdˇepodobnosti f (xi). Nakreslete kumulativn´ı histogram Fi=Pi
j=0mjδ, kter´y odpov´ıd´a distribuˇcn´ı funkci F (x).
Rovnomˇ ern´ e rozdˇ elen´ı v Excelu
Rozdˇelen´ı spojit´e n´ahodn´e promˇenn´e je d´ano hustotou pravdˇepodobnosti f (x) nebo distribuˇcn´ı funkc´ı
F (x) = Zx
−∞
f (ξ)dξ.
Normovan´y histogram miodpov´ıd´a hustotˇe pravdˇepodobnosti f (xi). Nakreslete kumulativn´ı histogram Fi=Pi
j=0mjδ, kter´y odpov´ıd´a distribuˇcn´ı funkci F (x).
Jin´ e neˇ z rovnomˇ ern´ e rozdˇ elen´ı: Metoda inverzn´ı distribuˇ cn´ı funkce
Necht’ x je n´ahodn´a promˇenn´a s rozdˇelen´ım popsan´ym hustotou pravdˇepodobnosti f (x) a distribuˇcn´ı funkc´ı F (x) potom n´ahodn´a promˇenn´a r = F (x) m´a rovnomˇern´e rozdˇeln´ı U (0, 1).
Tedy m˚uˇzeme z rovnomˇernˇe rozdˇelen´e r ∈ U (0, 1) z´ıskat promˇennou x = F−1(r).
Monte Carlo simulace
Doba ˇzivota vybuzen´eho stavu elektron˚u je 100 µs. Pˇri rozpadu emituje foton. Proved’te v Excelu simulaci mˇeˇren´ı fotoluminiscence (meˇr´ıme ˇcas t detekce fotonu po vybuzen´ı vzorku).
Pouˇzijte N = 200 hodnot. Nakreslete histogram namˇeˇren´ych hodnot, srovnejte s teoretickou f (t).
Histogram t (modr´e body) a teoretick´a kˇrivka f (t)N ∆, kde ∆ je ˇs´ıˇrka binu.
Ai = RAND() Bi = -100 * LN(Ai)
D4:D33 horn´ı hranice bin˚u histogramu, histogram: matice E4:E33
{=FREQUENCY(B2:B201;D4:D33)}
(oznaˇcit E4:E33, napsat vzorec a Ctrl+Shift+Enter)
Hustota pravdˇepodobnosti:
f (t) = 1
τe− tτ pro t > 0, jinak 0.
Distribuˇcn´ı funkce:
F (t) = Zt
0
1
τe− xτdx = 1 − e− tτ. Inverzn´ı funkce (definujeme r = F (t)):
1 − r = e− tτ
ln(1 − r) = −t τ
t = −τ ln(1 − r) = F−1(r).
Tento vztah m˚uˇzu pouˇz´ıt pro generov´an´ı t s pomoc´ı rovnomˇernˇe rozdˇelen´e n´ahodn´e promˇenn´e r. Jednoduˇsˇs´ı je pouˇz´ıt
Monte Carlo simulace
Doba ˇzivota vybuzen´eho stavu elektron˚u je 100 µs. Pˇri rozpadu emituje foton. Proved’te v Excelu simulaci mˇeˇren´ı fotoluminiscence (meˇr´ıme ˇcas t detekce fotonu po vybuzen´ı vzorku).
Pouˇzijte N = 200 hodnot. Nakreslete histogram namˇeˇren´ych hodnot, srovnejte s teoretickou f (t).
Histogram t (modr´e body) a teoretick´a kˇrivka f (t)N ∆, kde ∆ je ˇs´ıˇrka binu.
Ai = RAND() Bi = -100 * LN(Ai)
D4:D33 horn´ı hranice bin˚u histogramu, histogram: matice E4:E33
{=FREQUENCY(B2:B201;D4:D33)}
(oznaˇcit E4:E33, napsat vzorec a Ctrl+Shift+Enter)
Hustota pravdˇepodobnosti:
f (t) = 1
τe− tτ pro t > 0, jinak 0.
Distribuˇcn´ı funkce:
F (t) = Zt
0
1
τe− xτdx = 1 − e− tτ. Inverzn´ı funkce (definujeme r = F (t)):
1 − r = e− tτ
ln(1 − r) = −t τ
t = −τ ln(1 − r) = F−1(r).
Tento vztah m˚uˇzu pouˇz´ıt pro generov´an´ı t s pomoc´ı rovnomˇernˇe rozdˇelen´e n´ahodn´e promˇenn´e r. Jednoduˇsˇs´ı je pouˇz´ıt
Monte Carlo simulace
Doba ˇzivota vybuzen´eho stavu elektron˚u je 100 µs. Pˇri rozpadu emituje foton. Proved’te v Excelu simulaci mˇeˇren´ı fotoluminiscence (meˇr´ıme ˇcas t detekce fotonu po vybuzen´ı vzorku).
Pouˇzijte N = 200 hodnot. Nakreslete histogram namˇeˇren´ych hodnot, srovnejte s teoretickou f (t).
Histogram t (modr´e body) a teoretick´a kˇrivka f (t)N ∆, kde ∆ je ˇs´ıˇrka binu.
Ai = RAND() Bi = -100 * LN(Ai)
D4:D33 horn´ı hranice bin˚u histogramu, histogram: matice E4:E33
Hustota pravdˇepodobnosti:
f (t) = 1
τe− tτ pro t > 0, jinak 0.
Distribuˇcn´ı funkce:
F (t) = Zt
0
1
τe− xτdx = 1 − e− tτ. Inverzn´ı funkce (definujeme r = F (t)):
1 − r = e− tτ
ln(1 − r) = −t τ
t = −τ ln(1 − r) = F−1(r).
Tento vztah m˚uˇzu pouˇz´ıt pro generov´an´ı t s pomoc´ı rovnomˇernˇe rozdˇelen´e n´ahodn´e promˇenn´e r. Jednoduˇsˇs´ı je pouˇz´ıt