Attività con R - 1
[righe da eseguire, tra un "#" e l'altro]
1/3 print(1/3, 15); print(1/3, 16); print(1/3, 17); print(1/3, 18) # come mai queste uscite? x <- 5555.1251; y <- 5555; x-y print(x-y, 16) # come mai queste? # Col cellulare 1/3*3 fa 0.9999999 13/124+4/80 library(MASS) # che cos'è una "libreria" fractions(13/124+4/80) fractions(1255.255255255255255255) fractions( 2.59807621135332/sqrt(3) ) # Deduco che 2.59807621135332 = 3√3/2 3+sqrt(-0.25) # NAN: not a number 3+sqrt(-0.25+0i) # i numeri complessi # as.roman(178); as.roman(179); as.roman(999) # Only numbers between 1 and 3899 have a representation as roman numbers # factorial(21) fractions(factorial(21)) fractions(factorial(22)) # come effettuare il "calcolo esatto" # # http://www.wolframalpha.com # 2.59807621135332 # sqrt(3)/2 # 13/124+4/80 # 3+sqrt(-0.25) # Is 5^(1/3) a rational number? # Is pi^sqrt(2) a rational number? # roman(999) # 22! # c( choose(7,0), choose(7,1), choose(7,2), choose(7,3) ) choose(7,0:7) # il ":" # 2 < 5; 5 >= 2; 5 == 2; 5 = 2 !(1 > 2 & (3/2 < 2 | 1 == 0)) 1 > 2 & (3/2 < 2 | 1 == 0) 1 > 2 3/2 < 2 | 1 == 0 3/2 < 2 1 == 0 # gli operatori "logici" e l'"=" nelle condizioni # k <-2; t <- 1 p <- function(x) (x^2+x+1)^2 + 1/(x^2+x+1) + x^2+x+1 q <- function(x) {t <- x^2+x+1; t^k + 1/t + t} p(7); q(7) t; k # nella definizione di q ho usato la variabile t come variabile locale (il # valore che assume non interferisce col valore che t ha assunto prima della # definizione, in cui era globale, come globale è la varabile k); x è invece # un parametro formale (è usato per definire q; anch'esso non interferisce # coi valori assunti da eventuali usi di x al di fuori della definizione di q) # f <- function(x) ifelse( x>= 2, -4, 6) plot(f,-5,5); abline(h=0,v=0,col="red") # plot(f,-5,5,type="p"); abline(h=0,v=0,col="red") # plot(f,-5,5,type="p",pch="."); abline(h=0,v=0,col="red") # plot(f,-5,5,type="p",pch=".",n=1e4); abline(h=0,v=0,col="red") # # http://www.wolframalpha.com # y = Piecewise[ { {-4, x >= -2}, {6, x < -2} } ] # Per avere il grafico in un particolare intervallo: # plot Piecewise[ { {-4, x >= -2}, {6, x < -2} } ], -8 <= x <= 8 # ovvero: # plot Piecewise[ { {-4, x >= -2}, {6, x < -2} } ], -8 <= x <= 8, -7 <= y <= 9 # readLines("http://macosa.dima.unige.it/om/prg/stf/altomas.txt",n=3) # vedo che cos'è un file, stampandone poche righe, read.table("http://macosa.dima.unige.it/om/prg/stf/altomas.txt",sep=",",skip=1, nrows=2) # poi, se vedo che è una tabella, ne carico le righe indicando il separatore hm <- read.table("http://macosa.dima.unige.it/om/prg/stf/altomas.txt",sep=",",skip=1) str(hm) # edit(hm) # hm write.csv(hm,"hm.csv") # come scrivere una tabella in formato foglio di calcolo # (cercare il file sul computer: potrebbe essere nella cartella # Documenti, sul DeskTop, ...) # plot(hm) hf <- read.table("http://macosa.dima.unige.it/om/prg/stf/altofem.txt",sep=",",skip=1) windows() # apro una nuova finestra plot(hf) # plot(hf,ylim=c(160,250),col="red") abline(v=axTicks(1), h=axTicks(2), col="orange",lty=3) points(hm,col="blue") lines(hm,col="blue"); lines(hf,col="red") # indm <- hm$V2/hm$V2[1]*100; indf <- hf$V2/hf$V2[1]*100 # estraggo righe/colonne da una tabella plot(hf$V1,indf,col="red") abline(v=axTicks(1), h=axTicks(2), col="orange",lty=3) points(hm$V1,indm,col="blue") lines(hm$V1,indm,col="blue") lines(hf$V1,indf,col="red") # ls() rm(hm,t) ls() rm(list=ls()) ls() # come vedere le variabili definite, come cancellarne alcune o tutte # x <- c(10.4, 5.6, 3.1, 6.4, 21.7); x length(x); min(x); max(x); range(x); sort(x); mean(x); median(x); sum(x); prod(x) # seq(3,10,len=4); seq(6,10,0.5) length(seq(6,10,0.5)) # un modo per costruire sequanze # dati <- c(315.5, 732.3, 586.7); barplot(dati) # un istogramma a barre # come aggiungervi delle etichette: windows() names(dati) <- c("nord","centro","sud"); barplot(dati) windows() barplot(dati/sum(dati)*100) abline(h=axTicks(2), col="blue",lty=3) windows() barplot(dati/sum(dati)*100,horiz=TRUE) abline(v=axTicks(1), col="blue",lty=3) windows() # come orientare le "etichette" sugli assi barplot(dati/sum(dati)*100,horiz=TRUE,las=1) abline(h=axTicks(2), col="blue",lty=3) # # Come cercare queste cose nell'indice per voci # Esempi d'uso di WolframAlpha: apri "software" qui # (poi apri "clicca"). # Per come vengono approssimati i numeri, vedi qui. # Domande, problemi, ... ? # # (vedremo una prossima volta come salvare/caricare sessioni di lavoro) #
Attività con R - 2
# Schiacciando il tasto freccia ^ [v] si rivedono preced. [segu.] comandi.
# Quanto fatto può essere memorizzato usando il comando Save History
# e dandogli un nome (con estensione ".Rhistory"). Il file può essere
# ricaricato con Load History e può essere esaminato o caricato con i
# tasti freccia, come detto sopra.
#
# Per esamiare alcune funzioni incorporate si puo' guardare uno dei vari
# help; ad es. selezionare "R functions (text)" [o "Funzioni di R (testo)],
# mettere "sqrt" come parola da cercare; si apre "MathFun {base}" e da qui
# si seleziona "Math". Si può usare anche "Search Engine & Keywords"
# attivabile da "Html Help" ("Guida Html"), e, soprattutto, sempre da
# "Html Help", aprire "Packages" e, quindi, "Base" e "Graphics".
# Si tratta, comunque, di help non "facili". Battendo il comando
# help(sqrt) si entra direttamente nell'help di sqrt (se non sei in rete
# potrebbe essere azionabile solo "Search Help" - "Cerca nella Guida").
#
# I grafici di tre funzioni a 1 input e 1 output con curve (con cui non è
# necessario - ma è possibile - specificare il dominio) e l'opzione add (ci
# sono anche altri modi per ottenerli) e plot (qui solo) per scegliere la scala:
# la 2ª riga riserva lo spazio per il rettangolo con ascissa da -5 a 5 e
# ordinata da -5 ad 8 e non lo traccia (type="n"), e non mette etichette agli
# assi (xlab="", ylab=""); con fg="white" non traccio il box, con xaxt="n",
# yaxt="n" ascisse/ordinate. I comandi sono copiabili facilmente e modificabili.
f <- function(x) x*2-1; g <- function(x) x^2-1; h <- function(x) x/2-1
plot(c(-5,5),c(-5,8),type="n",xlab="", ylab="")
abline(h=0,v=0,col="brown"); abline(v=axTicks(1), h=axTicks(2), col="brown",lty=3)
curve(f, add=TRUE,col="red"); curve(g, add=TRUE,col="blue"); curve(h,add=TRUE)
#
plot(c(-5,5),c(-5,8),type="n",xlab="", ylab="",fg="white")
abline(h=0,v=0,col="brown"); abline(v=axTicks(1), h=axTicks(2), col="brown",lty=3)
#
plot(c(-5,5),c(-5,8),type="n",xlab="", ylab="",fg="white",xaxt="n",yaxt="n")
abline(h=0,v=0,col="brown"); abline(v=axTicks(1), h=axTicks(2), col="brown",lty=3)
#
# Una definizione per ricorsione:
A <- 90000
F <- function(n) if (n==0) 1 else (Recall(n-1)+A/Recall(n-1))/2
# ovvero: F <- function(n) if (n==1) 1 else (Recall(n-1)+A/Recall(n-1))/2
F(1); F(2); F(10); F(11); F(12)
A <- 1024; F(9); F(10)
# Che cosa calcola F?
# x(0)=1, x(n+1) = ( x(n) + A/x(n) ) / 2 (che converge a ...)
#
# Se un comando e' lungo si puo' scriverlo tutto su una stessa riga fino
# a qualche migliaio di caratteri o si puo' andare a capo: la riga seguente
# è interpretata come continuazione (sullo schermo è aggiunto automaticamente
# un "+" all'inizio della nuova riga). Un esempio:
dati <- c(1, 2, 3, 4, 5, 6, 7, 8, 9,10,11,12,13,14,15,16,17,18,19,20,
21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40)
mean(dati)
#
# generazione di alcune sequenze di numeri interi:
s <- 5:11; s; 5:11-1; 5:(11-1); 11:5; s/2
# più in generale:
seq(6); seq(3,9); seq(3,10,0.8); seq(3,10,len=4); seq(3,by=0.8,len=6)
# modi per ripetere più volte dei dati:
x <- c(3.1, 6.4, 21.7); c(7,rep(x, 4)); c(7,rep(x, each=4))
#
# analisi dei dati relativi ad un gruppo di alunne quindicenni (altezze in cm)
alu <- c(156,168,162,150,167,157,170,157,159,164,157,165,163,165,166,160,163,162,155)
length(alu); sort(alu); mean(alu); median(alu)
# Stem-and-leaf plot (o, in breve, stem plot). La cifra indicata nella
# prima colonna è il "gambo" (stem) del singolo dato, la cifra rimanente
# è la "foglia" (leaf); per ogni gambo ci possono essere più foglie
# (dati classificati nella stessa classe).
stem(alu)
# un modo per contare le lunghezze delle colonne, anche parziali
stem(alu, width = 0); stem(alu, width = 2)
# come scegliere intervalli diversi (lo standard equivale a scale=1)
stem(alu,scale=0.5); stem(alu,scale=3)
#
Si può dimostrare che la successione A(0)=1, A(n+1) = (A(n) + k/A(n)) / 2, con k > 0,
convege a √k. Questo è un efficientissimo algoritmo per calcolare
la radice quadrata di un numero che risale agli antichi babilonesi. Ha
come idea originale la seguente osservazione: se A è una approssimazione per eccesso
[difetto] di √k allora k/A ne è una approssimazione per difetto [eccesso]
(da A > √k segue che k/A < √k), e quindi come migliore approssimazione
si può prendere la media artitmetica, (A+k/A)/2, di tali approssimazioni.
Attività con R - 3
# Riprendiamo la # analisi dei dati relativi ad un gruppo di alunne quindicenni (altezze in cm) alu <- c(156,168,162,150,167,157,170,157,159,164,157,165,163,165,166,160,163,162,155) length(alu); min(alu); max(alu); mean(alu); median(alu) # abbiamo visto come, col comando scale (con un numero maggiore o minore di 1) # si possono ottenere diversi "stem-and-leaf" plot stem(alu,scale=3); stem(alu) # # Vediamo, ora, come ottenere istogrammi più articolati. # Con seq (scelto un certo intervallo (da 140 a 180) e l'ampiezza (5) delle # classi in cui suddividerlo) decido se classificare i dati in intervalli del # tipo [.,.) - right=FALSE - come fa automaticamente lo stem, o del tipo # (.,.] - right=TRUE (noi sceglieremo sempre il 1º tipo): hist(alu, seq(140,180,5), right=FALSE) windows(); hist(alu, seq(140,180,5), right=TRUE) # Ho fatto gli istogrammi in due finestre diverse, che posso spostare o # ridimensionare. Chiudiamole entrambe cliccando [x]. # # Ecco l'istogramma in intervalli di altra ampiezza, colorato, senza scritte # (con main posso inserire un titolo alternativo, anche 'vuoto'): hist(alu,seq(150,171,3),right=FALSE,col="yellow",xlab="",ylab="",main="") # # Posso ridurre il margine dei grafici usando il comando par (PARametri grafici) # con l'opzione mai (MArgini Interni, in pollici). Posso far gestire al software # l'istogramma specificando con nclass più o meno in quanti intervalli # classificare i dati [viene scelto un n. di classi tale che esse siano ampie 1, # 2 o 5 volte una potenza di 10]: par( mai = c(0.5,0.5,0.1,0.1) ) hist(alu,nclass=8,right=FALSE,col="yellow",xlab="",main="") # # Aggiungendo l'opzione probability=TRUE (o freq=FALSE) posso rappresentare le # densità, ossia il rapporto tra le frequenze e le ampiezze delle classi: hist(alu,nclass=8,right=FALSE,col="yellow",xlab="",main="",probability=TRUE) # # Posso far tracciare anche l'istogramma in classi di diverse ampiezze (sulla # scala verticale appare la densità; perché?); devo scegliere in ogni caso # l'ultimo estremo maggiore strettamente del massimo (170 nel nostro caso) # per avere un istogramma "corretto". hist(alu,c(150,156,159,162,168,171),right=FALSE,xlab="",main="") # # Ritorneremo, la prossima volta, su quali strumenti utlilizzare per analizzare # dati come questi. Ora vediamo l'uso di runif, il generatore di numeri # (pseudo)casuali runif(1); runif(1); runif(1) # # vengono generati numeri con valori "casuali" tra 0 ed 1 (che sono # uniformemente distribuiti, ossia che tendono ad avere la stessa frequenza # in sottointervalli di eguale ampiezza; tra 0 e 1/3 e tra 2/3 ed 1 abbiamo # percentuali di uscite che tendono ad eguagliarsi). # Con runif posso ottenere altri valori casuali, ad es. relativi al lancio # di un dado (floor è la parte intera): floor(runif(1)*6)+1; floor(runif(1)*6)+1; floor(runif(1)*6)+1 # # Opzioni: runif(7) o runif(3,min=1,max=7) generano 7 "numeri casuali" tra # 0 ed 1 o 3 tra 1 e 7. Ecco come ottenere 25 lanci di un dado equo: floor(runif(25,min=1,max=7)) # # Come faccio a controllare che runif generi uscite uniformemente distribuite? # Con il seguente comando posso vedere, graficamente, come di distribuiscono # 1000 uscite di runif hist(runif(1000)) # # Se voglio avere le frequenze relative uso il segunte comando, eventualmente # con probability=TRUE al posto di freq=FALSE hist(runif(1000),freq=FALSE) # posso specificare il numero di intervalli: hist(runif(1000),probability=TRUE,nclass=2) # # All'aumentare il numero delle prove l'istogramma tende ad appiattirsi hist(runif(1e4),probability=TRUE,nclass=2) # # ma se aumento il numero delle classi ... hist(runif(1e4),probability=TRUE,nclass=100) # # devo aumnetare il numero delle uscite hist(runif(1e6),probability=TRUE,nclass=100) # Approfondiremo più avanti la riflessione su come "tende" ad appiattirsi # # Non basta vedere che le uscite di runif tendono ad essere distribuite # uniformemente. Basti osservare le seguenti uscite: n <- 8; x <- runif(n); x i <- seq(4,n,4); x[i] <- x[i-2]; x # Si susseguono, via via, coppie di elementi uguali. Ma se li analizzo con # un istogramma non mi accorgo di questo fatto: n <- 1e5; x <- runif(n); i <- seq(4,n,4); x[i] <- x[i-2] hist(x) # È evidente come la simulazione di un fenomeno con un generatore di # numeri casuali di questo tipo potrebbe creare grossi problemi. # Non abbiamo, per ora gli strumenti per mettere a punto come "testare" un # generatore di numeri casuali. Ci rifletteremo eventualmente più avanti. # # Per renderci conto della bontà di runif vediamo solo come di distribuiscono # coppie di punti con coordinate generate esso. Che cosa ci aspettiamo? plot(c(0,1),c(0,1),type="n",xlab="", ylab="") points(runif(1000),runif(1000)) # # Se voglio aumentare il numero dei punti mi conviene tracciarli puntiformi plot(c(0,1),c(0,1),type="n",xlab="", ylab="") points(runif(1000),runif(1000),pch=".") # # A questo punto posso aumentare il numero dei punti tracciati: plot(c(0,1),c(0,1),type="n",xlab="", ylab="") n <- 1e4; points(runif(n),runif(n),pch=".") # plot(c(0,1),c(0,1),type="n",xlab="", ylab="") n <- 1e5; points(runif(n),runif(n),pch=".") # # Ma, come fanno ad essere casuali le uscite generate da un computer? # Ci rifletteremo su la prossima volta. #
Attività con R - 4
# PARENTESI - - - - - - - - - - - - - - - - - - - - - - - - - - - - - # Che cos'è una successione casuale? Una possibile definizione (Chaitin, 1962). # (spiegazione e definizione a livello "adulto") # # Idea intuitiva: una sequenza finita di caratteri è più "casuale" di un'altra di # uguale lunghezza se può essere descritta in un modo più breve di questa. # Fissato un linguaggio di programmazione, data una stringa finita di caratteri w # chiamo complessità di w, e indico con C(w), la lunghezza minima di un programma # che generi w. # Esempio, in R ('noquote' toglie le virgolette): w <- "abcdeabcde" noquote("abcdeabcde") # stringa lunga len(w) = 10, complessità 11+10 = 21 (devo solo togliere le virgolette) # Sicuramente ogni stringa finita w ha C(w) <= len(w)+11. # Vediamo cosa accade per: w <- "abcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcde" # 123456789A123456789B123456789C123456789D123456789E123456789F123456789G123456789H # len(w) = 80; C(w) è strettamenete inferiore di len(w)+11, cioè di 91 # Posso infatti generare la stringa in forma "compressa" con i comandi seguenti, dove # "paste" incolla due stringhe con un certo separatore (qui senza alcun separatore): w<-""; for(n in 1:16) w<-paste(w,"abcde",sep=""); noquote(w) #23456789A123456789B123456789C123456789D123456789E123456789F # C(w) al più è 60 (< len(w)). # # Posso pensare che una stringa infinita sia casuale se non è comprimibile. Precisiamo # che cosa possiamo intendere per "comprimibile" nel caso infinito. # Idea: una stringa infinita S è comprimibile se le sue sottostringhe w abbastanza # grandi hanno C(w) che tende ad essere via via più piccola di len(w). Dunque: # una stringa infinita S è casuale se l'insieme {len(w)-C(w) / w sottostringa di S} # è limitato superiormente. # # Questa è l'idea della definizione, che può essere estesa a considerare # successioni di altri oggetti matematici. # # La successione delle cifre di un numero irrazionale è casuale? Se è generabile # con un algoritmo, no! Tuttavia i numeri reali generabili con un algoritmo (ovvero # di cui posso conoscere, potenzialmente, tutte le cifre che voglio) sono una infinità # numerabile, essendo tale la quantità dei programmi che si posso descrivere con un # linguaggio formale: la conoscenza delle cifre della stragrande maggioranza dei # numeri reali non è alla nostra portata. # # Si può dimostrare (teorema di incompletezza di Chaitin-Gödel) che non è possibile # dimostrare che una successione infinita di caratteri è casuale. # # Questo risultato è una versione "generale" del Teorema di Incompletezza a cui # accennerete nel corso di Logica; esso esprime in modo molto generale i limiti # intrinseci dei sistemi formali. # FINE PARENTESI - - - - - - - - - - - - - - - - - - - - - - - - - - # # Pur essendo giunti alla conclusione che non è possibile dimostrare la casualità di # una successione, nella realtà interessa costruire degli algoritmi per generare # successioni che, ai fini pratici, si comportino come se fossero "casuali". Questo # servirà, in particolare, per simulare e studiare statisticamente fenomeni casuali. # # Dopo vari insuccessi, sono stati messi a punto vari generatori di successioni # (pseudo)casuali di numeri. Attualmente i più usati sono basati sullo schema noto # come metodo congruenziale lineare: X(n+1) = (a*X(n)+c) mod M (a,X(0),c,M numeri # naturali; a,X(0),c < M) o su schemi simili: X(n) = (a*X(n-h)−b*X(n-k)) mod M # (dove tutte le costanti sono numeri naturali fissati). # Si genera in tal modo una sequenza di numeri interi compresi tra 0 e M, da cui si # può ottenere una sequenza di numeri in [0,1) dividendo ciascuno di essi per M. # # Scegliendo opportunamente le costanti si può verificare, attraverso test statistici, # che tale successione si comporta, apparentemente (non realmente: è generata con un # algoritmo!), in modo "massimamente" casuale. I test riguardano l'uniformità della # distribuzione, l'indipendenza di ogni uscita dalle precedenti (o, meglio, da alcune # centinaia delle precedenti - 623 nel caso di quello standard di R: da tutte non può # esserlo!) e molti altri aspetti. # Vediamo quale generatore usa R: cerchiamo nella "guida Html" del programma la voce # Random Number Generation; il generatore usato normalmente da R è quello chiamato # Mersenne-Twister, ideato nel 1998, che ha un periodo lungo 2^19937 - 1. Non ci # preoccupiamo di esaminare nel dettaglio come esso opera (chi vuole può recuperare # dal sito come accedere a tali informazioni). # # Vediamo solo qualche esempio di generatori di numeri casuali. L'obiettivo è dare # un'idea di come sia complesso il fenomeno, e pensare come, volendo, si possa far # percepire questa complessità ai ragazzi. # In alcuni di questi generatori compare il simbolo funzionale %% che rappresenta # (in R e in molti linguaggi di programmazione) la funzione mod:(M,N) -> "resto # intero della divisione di M per N" # ## LungRnd0 # Consideriamo il "generatore" seguente (parto da x0 e ottengo via via gli altri # numeri applicando Rand): a <- 7; M <- 100; c <- 70; x0 <- 60 Rand <- function(x) (a*x+c) %% M # Vediamo qualche esempio d'uso: Rand(60) # ottengo 90 Rand(90) # 0 Rand(0) # 70 Rand(70) # 60 # Ho riottenuto 60, dopo solo 4 uscite, con 4 molto più piccolo di M (100). # Vediamo come avrei potuto procedere senza fare uno ad uno i tentativi: conto con n # le prove e le ripeto fino a che riottengo x0: alt <- 0; n <- 1; x <- x0 while(alt == 0) if(Rand(x)==x0) {print(n); alt <- 1} else {x <- Rand(x); n <- n+1} # riottengo ottengo 4. # Questo era un brutto generatore. Dà un'idea di come non si possa procedere a caso. # Proviamo con un'altro. # ## LungRnd1 # Generatore che era stato proposto in: "Le scienze con il calcolatore tascabile" # (R.Green, J.Lewis - Muzzio Editore - 1980) a <- 259; M <- 65536; x0 <- 725 Rand <- function(x) (a*x) %% M # Proviamo direttamente a trovare il periodo: alt <- 0; n <- 1; x <- x0 while(alt == 0) if(Rand(x)==x0) {print(n); alt <- 1} else {x <- Rand(x); n <- n+1} # ottengo 16384. # È un valor molto grande (=65536/4). Potrei usarlo questo generatore per simulare # qualche semplice fenomento. Dovrò verificare che la distribuzione sia accettabile # come uniforme. Come abbiamo detto la cosa non è facile. Proviamo, solo, a vederlo # graficamente, nel modo seguente (prima "normalizziamo" le uscite, ossia le # trasformiamo in numeri tra 0 ed 1 dividendole per M). # Idea: genere a caso una x, memorizzarne il valore come u, proseguire generando un'altra # x e rapresentare il punto u/m ed x/M. # a <- 259; M <- 65536; x0 <- 725 Rand <- function(x) (a*x) %% M plot(c(0,1),c(0,1),type="n",xlab="", ylab="") x <- x0 for(i in 1:500) {x <- Rand(x); u <- x; x <- Rand(x); points(u/M,x/M,pch=".",cex=2)} for(i in 1:500) {x <- Rand(x); u <- x; x <- Rand(x); points(u/M,x/M,pch=".",cex=2)} for(i in 1:500) {x <- Rand(x); u <- x; x <- Rand(x); points(u/M,x/M,pch=".",cex=2)} ...# Hanno un comportamento simile i generatori casuali impiegati nei personal computer # nella prima metà degli anni '80. Bastano queste uscite grafiche per rendersi # conto dei limiti di questi generatori. # # Per mettere in luce l'opportunità di altri metodi esaminiamo un altro generatore # che fu molto impiegato. # ## LungRnd2 # Generatore proposto nel manuale del pocket computer HP-25 (più o meno # contemporaneo al precedente). # Genera direttamente numeri tra 0 ed 1 (genera numeri x e ne prende la parte # frazionaria con x-"parte intera di x") R0 <- 1/2 Rand <- function(R) {R <- (R+pi)^5; R-floor(R)} # Proviamo ad usarlo: R <- 1/2 R <- Rand(R); R # 0.4081073 R <- Rand(R); R # 0.5834226 # # Proviamo a trovarne il periodo: R0 <- 1/2 alt <- 0; n <- 1; R <- R0 Rand <- function(R) {R <- (R+pi)^5; R-floor(R)} while(alt == 0) if(Rand(R)==R0) {print(n); alt <- 1} else {R <- Rand(R); n <- n+1} # non si ferma: lo fermo io (con ESC) e stampo n ed R. Ottengo per esempio: n; R # 116734 0.5740558 # # Le uscite sono numeri decimali di parecchie cifre; non abbiamo più # valori interi come prima, che ciclavano, Questo è un generatore di tipo # diverso. # Esaminiamo le ucite graficamente: R0 <- 1/2 alt <- 0; n <- 1; R <- R0 Rand <- function(R) {R <- (R+pi)^5; R-floor(R)} plot(c(0,1),c(0,1),type="n",xlab="", ylab="") for(i in 1:500) {x <- Rand(x); u <- x; x <- Rand(x); points(u,x,pch=".",cex=2)} for(i in 1:500) {x <- Rand(x); u <- x; x <- Rand(x); points(u,x,pch=".",cex=2)} ...
... # Le uscite sembrano disporsi uniformente. Ma questa è solo un'impressione. # Proviamo a verifcarlo anche con un istogramma: R <- 1/2; u <- NULL; for(i in 1:1e4) {u <- c(u,R); R <- Rand(R)} hist(u,freq=FALSE)
# L'istogramma sembra confermarci la cosa. # Questa verifica non è tuttavia sufficiente. # # Ad esempio anche per il generatore di numeri casuali visto alla fine della # volta scorsa, evidentemente "non del tutto casuale" (si ripetono coppie di # uscite uguali), di cui abbiamo già visto la forma "piatta" dell'istogramma: n <- 1e4; x <- runif(n); i <- seq(4,n,4); x[i] <- x[i-2]; hist(x,freq=FALSE)
# basandosi su queste prove non si hanno indizi della sua "non bontà": n <- 1e4; x <- runif(n); i <- seq(4,n,4); x[i] <- x[i-2] x1 <- x n <- 1e4; x <- runif(n); i <- seq(4,n,4); x[i] <- x[i-2] x2 <- x plot(c(0,1),c(0,1),type="n",xlab="", ylab="") points(x1,x2,pch=".")
# In questo caso, sapendo come è costruito questo "generatore", possiamo # costruire una verifica che ne mette in luce i limiti. # Ecco che cosa si ottiene studiando statisticamente (1) i valori ottenuti # facendo le differenze tra il valore ottenuto col generatore standard e # quello ottenuto due uscite prima (mi aspettio una distribuzione triangolare: # il valore più frequente è 0, e poi via via, andando verso -1 ed 1, le # frequenze diminuiscono) e (2) quelli ottenuti analogamente con questo # generatore (uno ogni due valori viene 0: la differenza tra due numeri # uguali): n <- 1e4; y <- runif(n) i <- 1:(n-2); w <- NULL; w[i] <- y[i+2]-y[i] hist(w,freq=FALSE,seq(-1,1,2/15)) # x <- runif(n); i <- seq(4,n,4); x[i] <- x[i-2] i <- 1:(n-2); z <- NULL; z[i] <- x[i+2]-x[i] hist(z,freq=FALSE,seq(-1,1,2/15))
# # Ci siamo resi conto della complessità dell'argomento. Averlo un po' # maneggiato ci ha dato un'idea di quanta "matematica" ci sia dietro alla # messa a punto di uno strumento apparentemente semplice come questo. # # Un'ultima osservazione: queste successioni (LungRnd1, LungRnd2) possono # partire prendendo come valore inziale invece del valore x0 indicato un # altro valore tra quelli generati. Lo stesso accade per runif. # Il comando set.seed(n) ("stabilire il seme"), con n numero naturale, fa # partire la successione "casuale" da un dato valore (con lo stesso n ho # la stessa sequenza) set.seed(7); runif(3); runif(3) # 0.9889093 0.3977455 0.1156978 # 0.06974868 0.24374939 0.79201043 set.seed(7); runif(3) # 0.9889093 0.3977455 0.1156978; ho riottenuto gli stessi valori: # il "seme" 7 dà luogo, come primo valore casuale, a 0.9889093. # Generare la stessa successione di numeri "casuali" può essere comodo # in molte situazioni (testare un algoritmo sulla stessa successione di valori, # controllare simulazioni di fenomeni, memorizzare codifiche segrete, ...). # # Accanto a questi "pseudo generatori di numeri casuali" (PRNG) vi sono anche # degli "hardware random number generator" generati da un processo fisico, # basati su fenomeni termici, fotoelettrici, quantistici, utilizzati per # particolari applicazioni, non in ambito statistico. #