"# Verwendung von kafe2 auf dem Jupyter-server\n",
"\n",
"Die folgenden Beispiele sollten auf dem Jupyter-server ohne Probleme ausführbar sein. Folgen Sie den Kommentaren in den Beispielen, um zu sehen, wie Sie [kafe2](https://etpwww.etp.kit.edu/~quast/kafe2/htmldoc/index.html) für die Auswertung Ihrer Praktikumsversuche in Jupyter-notebook verwenden können. Beginnen Sie z.B. damit die für Ihren Fall passende Code-Zelle in Ihr Protokoll zu kopieren und passen Sie Daten und Modell-Funktion an Ihre Messung an. \n",
"\n",
"Wenn Sie kafe2 intensiver nutzen und verstehen möchten lohnt es sich etwas Zeit darauf zu verwenden, um ein wenig in der Dokumentation zu stöbern. Das Programm-Paket kafe2 ist *open source* und mit einigen Zusatzpaketen rein python-basiert installierbar. \n",
"\n",
"## Anpassung eines benutzerdefinierten Modells die Daten\n",
"\n",
"Im folgenden Code-Beispiel aus der Dokumentation von kafe2 sehen Sie die allgemeine Verwendung für die Anpassung einer beliebigen Modell-Funktion, die Sie zuvor definiert haben, and die Daten. In diesem Fall handelt es sich um eine Exponentialfunktion \n",
"\n",
"$$\n",
"f(x) = A_{0}\\,\\exp\\left(-x/\\tau\\right)\n",
"$$\n",
"\n",
"mit den freien Parametern $A_{0}$ und $\\tau$. "
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "b859057b-2439-4538-8101-b6a083a65207",
"metadata": {},
"outputs": [],
"source": [
"# Hier importieren Sie die relevanten Module und Objekte von numpy und kafe2.\n",
"# Im Fall von kafe2 handelt es sich um die Objekte vom Typ Fit, Plot und \n",
"# Hier machen Sie dem Fit die Unsicherheiten in x und y bekannt. \n",
"fit.add_error(axis='x', err_val=xerr) # add the x-error to the fit\n",
"fit.add_error(axis='y', err_val=yerr) # add the y-errors to the fit\n",
"\n",
"# Hier wird der Fit initiiert und schließlich das Fit-Ergebnis abgefragt.\n",
"fit.do_fit() # perform the fit\n",
"fit.report(asymmetric_parameter_errors=True) # print a report with asymmetric uncertainties\n",
"\n",
"# Hier stellen Sie die Datenpunkte und die angepasste Modell-Funktion graphisch \n",
"# dar. Hierzu erzeugen Sie ein Objekt vom Typ Plot mit Namen plot. Das Objekt \n",
"# fit wird als Argument an den Konstruktor von plot übergeben. Damit sind plot \n",
"# sowohl die Datenpunkte und deren Unsicherheiten als auch das angepasste \n",
"# Modell mit allen optimierten Parametern und wiederum deren Unsicherheiten \n",
"# bekannt. Zwei weitere Optionen werden hier (wahlweise) übergeben: zum einen\n",
"# sollen die Fehlerbalken im Fall von asymmetrischen Konfidenzintervallen nicht\n",
"# symmetrisiert werden; zum anderen soll in der Darstellung ein sog. ratio plot \n",
"# (die Darstellung vdes Verhältnisses: Beobachtung über der Modellvorhersage) \n",
"# mit dargestellt werden. \n",
"plot = Plot(fit)\n",
"plot.plot(asymmetric_parameter_errors=True, ratio=True) # ratio = data / model function\n",
"\n",
"# Diese Option zeigt Ihnen die Kontouren der Unsicherheiten aller involvierten \n",
"# Fit-Parameter an. In diesem Fall sind dies A_0 und tau. \n",
"cpf = ContoursProfiler(fit)\n",
"cpf.plot_profiles_contours_matrix() # plot the contour profile matrix for all parameters\n",
"\n",
"# Diesen Aufruf benötigen Sie, um die Graphiken wirklich auf dem Bildschirm \n",
"# auszugeben und in diesem Fall auch im Jupyter-notebook einzubinden. \n",
"plot.show()"
]
},
{
"cell_type": "markdown",
"id": "54d71dc0-16ca-4058-904b-1fa92e8adce2",
"metadata": {},
"source": [
"## Lineare Anpassung an die Daten\n",
"\n",
"Im folgenden Code-Beispiel aus der Dokumentation von kafe2 sehen Sie die Verwendung für die Anpassung einer Geraden and die Daten. Dieses Beispiel ist konzeptionell etwas einfacher, als das vorherige, es zeigt jedoch einige weitere *features*, die Sie für Ihre Auswertungen nutzen können. "
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "fda9b096-7cb5-4934-ae8a-bbef464b99c3",
"metadata": {},
"outputs": [],
"source": [
"# Hier importieren Sie die relevanten Module und Objekte von kafe2. In diesem \n",
"# Fall handelt es sich um die Objekte vom Typ Fit, Plot und XYContainer\n",
"from kafe2 import XYContainer, Fit, Plot\n",
"\n",
"# Hier erzeugen Sie einen Container-Objekt, in dem Sie etwas kompakter die \n",
"# Datenpunkte Ihrer Messung als (x, y)-Wertepaare verwalten können. Es handelt \n",
"# sich dabei um die Punkte (1.0, 2.3), (2.0, 4.2), (3.0, 7.5) und (4.0, 9.4).\n",
Die folgenden Beispiele sollten auf dem Jupyter-server ohne Probleme ausführbar sein. Folgen Sie den Kommentaren in den Beispielen, um zu sehen, wie Sie [kafe2](https://etpwww.etp.kit.edu/~quast/kafe2/htmldoc/index.html) für die Auswertung Ihrer Praktikumsversuche in Jupyter-notebook verwenden können. Beginnen Sie z.B. damit die für Ihren Fall passende Code-Zelle in Ihr Protokoll zu kopieren und passen Sie Daten und Modell-Funktion an Ihre Messung an.
Wenn Sie kafe2 intensiver nutzen und verstehen möchten lohnt es sich etwas Zeit darauf zu verwenden, um ein wenig in der Dokumentation zu stöbern. Das Programm-Paket kafe2 ist *open source* und mit einigen Zusatzpaketen rein python-basiert installierbar.
## Anpassung eines benutzerdefinierten Modells die Daten
Im folgenden Code-Beispiel aus der Dokumentation von kafe2 sehen Sie die allgemeine Verwendung für die Anpassung einer beliebigen Modell-Funktion, die Sie zuvor definiert haben, and die Daten. In diesem Fall handelt es sich um eine Exponentialfunktion
Im folgenden Code-Beispiel aus der Dokumentation von kafe2 sehen Sie die Verwendung für die Anpassung einer Geraden and die Daten. Dieses Beispiel ist konzeptionell etwas einfacher, als das vorherige, es zeigt jedoch einige weitere *features*, die Sie für Ihre Auswertungen nutzen können.
