Komputerowa Analiza Danych Doświadczalnych

Transkrypt

1 Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk tel: konsultacje: poniedziałek: 10-11, środa: www: Politechnika Warszawska Wydział Fizyki Pok. 117b (wejście przez 115)

2 ZAMIANA ZMIENNYCH

3 Zamiana zmiennych - Dowolna funkcja zmiennej losowej to także zmienna losową y=y x - Znana f(x), szukana g(y) - Równość prawdopodobieństw: dy= dy dx dx f x dx=g y dy dx= dx dy dy dy y y=f(x) - Funkcja g(y) dobrze określona: y = y(x) jednoznaczna. - Funkcje wieloznaczne, np: y = x rozpatrujemy oddzielnie g(y) f(x) x - Normalizacja rozkładów prawdopodobieństwa: g y dy= f x dx=1 dx 3 x

4 Zamiana zmiennych Jaka jest gęstość prawdopodobieństwa g(y), jeśli znana jest gęstość prawdopodobieństwa f(x)? Równość prawdopodobieństw: f x dx=g y dy f x =1 x [0,1] dx=g y dy=dg y dx= dg y x=g y y=g 1 x dy y y=f(x) y min =G 1 0 y max =G 1 1 g(y) f(x) x dx x

5 Zamiana zmiennych Zamiana dwóch zmiennych: u = u(x,y) v = v(x,y) Funkcja J, która połączy funkcje gęstości prawdopodobieństwa: f(x,y) oraz g(u,v) g u, v =f x, y J x, y u, v x a =x u, v ; y a =y u, v x b =x u, v dv ; y b =y u, v dv x c =x u du, v ; y c =y u du, v Szereg Taylora: x b =x u, v x dv ; y y v b =y u, v dv v x c =x u, v x du ; y y u c =y u, v du u y b v(x,y)+dv d v(x,y) da c a u(x,y) u(x,y)+du x Powierzchnia równoległoboku: x a y a x u da= 1 1 x b y b x v 1 x c y c = du dv= J x, y u, v du dv y v u y 5

6 Zamiana zmiennych J x, y x u u, v = x v y v u y Jakobian transformacji Przypadek ogólny: n zmiennych x = (x(, x, x ) 1 2 n Transformacje: y = y (x) 1 ), y = y (x) 1 2 ), y = y (x) 2 n n Gęstość prawdopodobieństwa zmiennych y wynosi: g y = J x y f x Jakobian: J x y = J x 1,x 2,...,x n y 1, y 2,..., y n = x1 y 1 x 2 y 1... x 1 y 2 x 2 x n y 1 x n n y 2 x n y y x 1 x 2 y n y n... Warunkiem istnienia funkcji g(y) jest jednoznaczność wszystkich pochodnych cząstkowych. 6

7 Zamiana zmiennych f x, y = 1 R, x 2 y 2 R Zamiana zmiennych do współrzędnych biegunowych: Jakobian: r= x 2 y 2 =arctg y x x=r cos y=r sin J r, x x, y = r x r y y = x r y r 2 y 2 r x r J r, x, y = x r g r, =f x, y J r, x, y g r, = 1 R r x r 2 y r y r 2 = x2 r 3 y2 r 3 = x2 y 2 r 3 = r 2 r 3 = 1 r 7

8 PROPAGACJE BŁĘDÓW

9 Transformacje liniowe i ortogonalne. Propagacja błędów Transformacje liniowe bo łatwo się nimi posługiwać Inne transformacje aproksymujemy transformacjami liniowymi (rozwinięcie w szereg Taylora) Funkcje y = (y, y,..., y 1 ) to liniowymi funkcje zmiennych x = (x, x,..., x ): 2 r 1 2 n y 1 =a 1 t 11 x 1 t 12 x 2... t 1n x n y 2 =a 2 t 21 x 1 t 22 x 2... t 2n x n... y r =a r t r1 x 1 t r2 x 2... t rn x n Zapis macierzowy: y =T x a Wartość oczekiwana zmiennej y: E y = y =T x a 9

10 Transformacje liniowe, propagacja błędów Macierz kowariancji: C y =E{ y y y y T } C y =E{ T x a T x a T x a T x a T } C y =E{T x x x x T T T } C y =T E{ x x x x T }T T C y =T C x T T Prawo propagacji błędów: Znane są wartości oczekiwane zmiennych x i, ich odchylenia standardowe (błędy) i kowariancje. Chcemy wyznaczyć błędy funkcji y(x) Jeśli błędy zmiennej x będą małe, to gęstość prawdopodobieństwa będzie różna od zera jedynie w okolicy punktu x. 10

11 Transformacje liniowe, propagacja błędów Rozwijamy w szereg Taylora: y i =y i x y i x 1 x= x x 1 x 1... y i x n x= x x n x n wyrazy wyższegorzędu W notacji macierzowej: y =y x T x x wyrazy wyższegorzędu y1 y 1 y x 1 x x n y T= 2 y 2 y x 1 x x n y r y r... x 2 x 1 y r x n x= x Do wzoru opisującego prawo propagacji błędów należy wstawić macierz T przy jednoczesnym zaniedbaniu wyrazów nieliniowych. Błędy zmiennej y (elementy diagonalne macierzy C y ) zależą od: - błędów zmiennej x - od elementów pozadiagonalnych macierzy kowariancji C x. 11

12 Transformacje liniowe, propagacja błędów. - Zmienne x niezależne można nie uwzględniać macierzy kowariancji (jest równa 0). - Elementy diagonalne macierzy C y mają postać: 2 n y i = j=1 y i 2 x j x= x 2 x j - Odchylenie standardowe: y i = n j=1 y i 2 x j x= x x j 2 12

13 Propagacja błędów, kowariancja W układzie kartezjańskim mierzone współrzędne punktu (x, y). Pomiar daje trzykrotnie większe błędy przy współrzędnej y niż x. Pomiary x, y są niezależne. Macierz kowariancji: = C xy 0 Współrzędne biegunowe: r= x 2 y 2 x=r cos =arctg y x y=r sin Macierz transformacji T w punkcie (1,1) dla prostoty obliczeń: r r x y T= x y 1 = r r = 2 2 y 1 1 x y r 2 x r = 1 C r =T C xy T T =

14 Propagacja błędów, kowariancja Współrzędne biegunowe: = C 5 4 r 4 2 x r T'= y r x y r= x 2 y 2 x=r cos = cos r sin sin r cos = =arctg y x y=r sin 1 1 = 1 C xy =T 'C r T ' T = = 1 C xy =T 'C r T ' T Pozadiagonalne elementy macierzy kowariancji są BARDZO WAŻNE! =

15 GENERACJA LICZB PSEUDOLOSOWYCH

16 Generacja liczb (pseudo)losowych 1) Zapis liczb w komputerze 2) Generator liczb pseudolosowych a) generator liniowy kongruentny (LCG) b) generator liniowy multiplikatywny kongruentny (MLCG) 3) Jakość generatorów test widmowy 4) Generowanie liczb pseudolosowych o dowolnym rozkładzie a) transformacja rozkładu jednostajnego b) metoda von Neumanna (akceptacji i odrzucania) c) metoda von Neumanna z funkcją pomocniczą 5) Całkowanie Monte Carlo 16

17 Liczby (pseudo)losowe Dotychczas zajmowaliśmy się opisem zmiennych losowych. Nie było rozważane w jaki sposób się je otrzymuje. Często bardzo użyteczne jest posługiwanie się ciągiem zmiennych losowych. Z uwagi na konieczność przeprowadzania wielu operacji na takich ciągach- wykorzystujemy komputery. Metoda ich generacja powinna być oparta na odpowiednim procesie statystycznym (np. pomiar czasu pomiędzy rozpadami zachodzącymi w próbce z materiałem promieniotwórczym). Z uwagi na deterministyczny charakter metody generacji- komputery nie dają nam liczb losowych (przypadkowych)- są to liczby pseudolosowe.. Metoda analizy danych oparta na wykorzystaniu liczb (pseudo)losowych w programach komputerowych jest metodą Monte Carlo. 17

18 Zapis liczb w komputerze Najmniejszą jednostka informacji bit (0 lub 1). Zapisując k bitów, na k-1 bitów- tylko wartość bezwzględną kodowanej liczby, 1 bit do zapisu jej znaku. a=a (k-2) (k-2) 2 k-2 +a (k-3) 2 k-3 k a (1) 2 1 +a +a (0) 2 0 współczynniki a (j) : 0 lub 1. Postać binarna liczb nieujemnych: = = = = 3 18

19 Zapis liczb w komputerze Np: 213 (dziesiętnie) = 1*1+ 0*2+ 1*4+ 0*8+ 1*16+ 0*32+ 1*64+ 1*128= (binarnie) W przypadku liczb ujemnych na pierwszym bicie zapisywana jest 1. Posługujemy się bajtami- - jednostkami 8-bitowymi Współczesne komputery pracują na liczbach (16), 32, 64-bitowych Liczby bez znaku przyjmują wartości od 0 do 2 k, liczby ze znakiem -2 k-1 do 2 k-1-1, gdzie k to ilość bitów użytych do zapisania liczby Liczbę zmiennoprzecinkową zapisujemy jako: x= M*R E M to mantysa, R to podstawa, E to wykładnik Komputery zapisują liczbę z R=2, notacja naukowa to R=10 Zapis liczb: x= M10 E ; x=m2 E 19

20 GENERATOR LINIOWY KONGRUENTNY

21 Generatory liniowe kongruentne - Działanie komputera ma charakter deterministyczny. - Nie ma możliwości uzyskać generatora liczb pseudolosowych. - Komputer działa deterministycznie (kolejna generowana liczba jest funkcją liczb poprzednio generowanych). - Generator liniowy kongruentny LCG: x[j+1] = ( a*x[j] + c ) mod m - Maksymalny okres generatora - m. - c=0 - generatorem MLCG- - multiplikatywny generator liniowy kongruentny. 21

22 Generatory liniowe kongruentne Generatory MLCG są: - szybsze niż LCG - nie generują 0 - mają krótsze okresy. Wartość początkowa x[0] definiuje cały ciąg. Ciąg jest okresowy. Okres zależy od doboru parametrów i warunków: * c, m nie maja wspólnych dzielników * b = a-1 jest wielokrotnością każdej liczby pierwszej p, która jest dzielnikiem liczby m * b jest wielokrotnością 4 jeśli m tez jest wielokrotnością 4. 22

23 Generatory liniowe kongruentne testowanie jakości Wykonujemy test widmowy: : (x, x i i+1 i+1 ) Obsadzamy m z m 2 węzłów Szukamy prostych łączących obsadzone węzły sieci, wybieramy największą z odległości między nimi Dla rozkładów jednostajnych: odległość ~ m -1/2 (przestrzeń jest równomiernie wypełniona) Dla rozkładów niejednostajnych odległość << m -1/2 Najlepsze wyniki uzyskuje się łącząc ze sobą kilka generatorów liniowych 23

24 Generatory liniowe kongruentne c=0 a=157 m=32363 c=0 a=157 m=

25 GENERACJA LICZB METODĄ TRANSFORMATY LICZB Z INNEGO ROZKŁADU

26 Generowanie liczb losowych o dowolnym rozkładzie Metoda oparta na transformacji liczb wygenerowanych z rozkładu jednostajnego. y x: zmienna losowa o rozkładzie jednostajnym: f(x)= 1, x in [0,1]; f(x)=0, x in [0,1] dy y=f(x) y: zmienną losową opisana gęstością prawdopodobieństwa g(y): g(y) f(x) x f(x)dx=g(y)dy dx=g(y)dy=dg(y) po zcałkowaniu: x=g(y). dx 0 1 x Zmienna losowa x ma rozkład jednostajny na odcinku [0,1], znana jest funkcja odwrotna: y= G -1 (x), funkcja g(y) opisuje gęstość prawdopodobieństwa zmiennej losowej y. 26

27 Generowanie liczb mających rozkład Breita-Wigner'a g y = y a 2 2 y x=g y = g y dy= 2 y 2 4 y a 2 2 dy po zamianie zmiennych: u=2 y a x=g y = 1 a konkretnie: du= 2 dy =2 y a / 1 = 1 u 2 du = 1 [arctgu] 2 y a / =arc tg2 y a / 1 2 y=a 2 tg x 1 2 Liczby losowe x jednostajnie rozłożone na przedziale [0,1], to liczby losowe y mają rozkład Breita- Wigner'a. 27

28 Generowanie liczb mających rozkład Breita-Wigner'a g y = y a

29 GENERACJA LICZB METODĄ VON NEUMANNA

30 Generacja liczb losowych metodą von Neumann'a (akceptacji i odrzucania) Standardowa metoda generacji liczb losowych ma ograniczone zastosowanie. Dystrybuanta jest znana, możliwe jest znalezienie jej funkcji odwrotnej. Gdy znana jest tylko gęstość prawdopodobieństwa: metoda von Neumanna. Chcemy wygenerować liczby z rozkładu w kształcie półokręgu. Rozkład gęstości jest opisany wzorem: g y = 2 R 2 R 2 y 2 y R Generujemy N razy pary liczb (y,u). 30

31 Generacja liczb losowych metodą von Neumann'a (akceptacji i odrzucania) Składowa (y): rozkład jednostajny w przedziale zmienności [-R,R], Składowa (u): rozkład jednostajny na przedziale wartości, jakie przyjmuje g(y), czyli [0,R]. Dla każdej pary sprawdzany warunek: u<g(y). Spełniony? Akceptujemy liczbę y jako podlegającą rozkładowi g(y) Wydajność metody jest równa ilorazowi par zaakceptowanych do wszystkich par 31

32 Wydajność metody jest równa ilorazowi par zaakceptowanych do wszystkich par odrzucamy akceptujemy 32

33 Wydajność metody von Neumann'a b a g y dy E= b a u max Metodę von Neumann'a można uogólnić na przypadek wielowymiarowy, czyli na funkcję dowolnej liczby zmiennych losowych f x 1, x 2,... x n Generujemy zestawy liczb Sprawdzamy warunek u i f x 1 i, x 2 i,.., x n i Akceptujemy (lub odrzucamy) cały zestaw zmiennych x 1 i, x 2 i,... x n i, u i 33

34 GENERACJA LICZB METODĄ VON NEUMANNA Z FUNKCJĄ POMOCNICZĄ

35 Generacja liczb losowych metodą von Neumann'a (akceptacji i odrzucania) z funkcją pomocniczą Wydajność metody możnapoprawić: uogólniona metoda von Neumanna: [a)] Wybieramy gęstość prawdopodobieństwa s(y), którą możemy wygenerować przy pomocy metody odwrotnej transformaty. Najlepiej, żeby była to zmienna, której rozkład gęstości prawdopodobieństwa był podobny do rozkładu zmiennej, którą chcemy generować. [b)] Wybieramy stałą skalowania c taką, żeby: cs(y)=g(y)>=f(y) Funkcję s(y) (lub jej przeskalowanie) g(y) nazywamy funkcją pomocniczą. f(y) to nasz szukany rozkład 35

36 Generacja liczb losowych metodą von Neumann'a (akceptacji i odrzucania) z funkcją pomocniczą [c)] Generujemy jedną liczbę losową y podlegającą wybranemu rozkładowi w przedziale oraz drugą liczbę losową u (liczbę testową) rozłożoną jednostajnie w przedziale [0,1]. [d)] Akceptujemy liczbę y, jeżeli jest spełniony warunek: u f y g y Wydajność metody: E= b a b a g y dy f y dy 36

37 Generacja liczb losowych metodą von Neumann'a (akceptacji i odrzucania) z funkcją pomocniczą f y =I 0 y ; y 0 y a g y = y 1 I 0 a = a 1 G y = 1 2 y 2 y=x = I 0 a a Rozwiązujemy równanie kwadratowe: 1 2 y 2 y x=0 =1 2 x y= x x jest generowany z rozkładu jednostajnego [G(y min ), G(y max )]= = [0, G(a)] u jest generowane z rozkładu jednostajnego [0,1] Sprawdzamy warunek: u f y g y 37

38 38

39 CAŁKOWANIE MONTE-CARLO

40 Całkowanie Monte Carlo Korzystamy z metody von Neumanna ich akceptacji i odrzucaniu. Wyjdźmy ze wzoru na wydajność metody b a g y dy E= b a u max = n N Przyjmuje się, że N par liczb losowych (yi,u,ui), i=1,...,n zostało wygenerowanych zgodnie z tą metodą oraz, że w wyniku spełnienia warunku (von Neumanna). N-n par zostało odrzuconych. 40

41 Całkowanie Monte Carlo Czyli nasza poszukiwana całka: b I = a g y dy= b a u max n N Możliwe jest obliczenie DOWOLNEJ całki oznaczonej poprzez bardzo prostą generację liczb z rozkładu jednostajnego! :-) Można przykład rozszerzyć na przypadek wielu zmiennych Dokładność metody I I = 1 N zakceptowane 41

42 KONIEC WYKŁADU 4