Is het wellicht beter te verklaren aan de hand van de Broglie wavelength? In combinatie met frequentie en golflengte principe bij Fourier spectrum? De compromis tussen snelheid of plaats is goed te bepalen afhankelijk van (Broglie) golflengte
Wikiversity? Daar deze direct gerelateerd is aan impuls?
$$\lambda_{B}=\frac{h}{p}$$
Radar voorbeeld verwoord m.b.v. chatgpt:
Radar Analogy
In radar systems, a similar principle applies. When you use a short pulse to measure distance, the frequency bandwidth of the pulse becomes wide, leading to less precise velocity measurements (since velocity is related to frequency shift). This trade-off between time (position) and frequency (momentum) resolution mirrors Heisenberg's uncertainty principle.
Bij nalezen begrijp ik dat het momentum de Fourier transformatie van
\(\Psi(x)\) is zie:
Medium.
Wanneer
\(\Psi(x)\) een Gaussian
\(\exp(-x^2/\sigma)\) wavelet is. Met grote en kleine golflengte voorstellende de breedte wavelet (stdev). De Fourier transformatie van een Gaussian wavelet is wederom een Gaussian wavelet. Waardoor
\(\Psi(x)\) (plaats) en
\(\Phi(p)\) (impulse) beide met andere breedte (stdev).
Rekenvoorbeeld Broglie wavelength Basketball:
phys.libretexts.org schijnt slechts
\(3.55 \text{pm}\) te zijn. Betekende dat naar mijn inzicht: brede
\(\Phi(p)\) en smalle
\(\Psi(x)\) de plaats dus nauwkeurig bepaald.
Wat code via chatgpt met wat aan passing van mijzelf. Hierbij numeriek Fourier transform van:
\(\Psi(x)\) naar
\(\Phi(p)\). Waarbij tegengestelde wisselwerking tussen stdev's
\(\Psi(x)\) en
\(\Psi(x)\) en zichtbaar zijn. Verander sigma in code om breedte input te variëren.
Degenen zonder Python: copy paste code hier:
https://trinket.io/python3.
Code: Selecteer alles
import numpy as np
import matplotlib.pyplot as plt
from scipy.fftpack import fft, fftfreq, fftshift
# Parameters
sigma = .05 # Width parameter of the Gaussian
x_range = 10 # Range of x values (-x_range to x_range)
n_points = 1024 # Number of points for the numerical grid
# Create x values
x = np.linspace(-x_range, x_range, n_points)
# Define the Gaussian function
f_x = np.exp(-x**2 / sigma)
# Perform the Fourier Transform
f_k = fft(f_x)
f_k = fftshift(f_k) # Shift zero frequency to the center
k = fftshift(fftfreq(n_points, d=(x[1] - x[0]))) # Frequency values
# Normalize the Fourier Transform (optional, for proper scaling)
f_k = np.abs(f_k) / np.sqrt(2 * np.pi)
# Plot the results
plt.figure(figsize=(12, 6))
# Plot the original Gaussian
plt.subplot(1, 2, 1)
plt.plot(x, f_x, label=f"$f(x) = e^{{-x^2 / {sigma}}}$")
plt.title("Gaussian Function in Real Space")
plt.xlabel("x")
plt.ylabel("f(x)")
plt.xlim(-5, 5)
plt.grid()
plt.legend()
# Plot the Fourier Transform
plt.subplot(1, 2, 2)
plt.plot(k, f_k, label="Fourier Transform of f(x)")
plt.title("Fourier Transform in Frequency Space")
plt.xlabel("k")
plt.ylabel("|F(k)|")
plt.xlim(-5, 5)
plt.grid()
plt.legend()
plt.tight_layout()
plt.show()