modekjar 1.0.0

Just a small function package for numpy, sympy and iminuit

functions_moedekjaer

It is a function collection written primarylly by Mikkel Møller Mødekjær

This repo ships two importable packages in one modekjar distribution:

Package	What
modekjar	The original function collection — error propagation, χ² fitting, Fisher/ROC, plot helpers
unf_fysisk_simulering	Simulation library for UNF Fysik Camp, topic "Fysisk Simulering" (Danish)

pip install modekjar            # both packages
pip install "modekjar[hurtig]"  # same, plus numba for the fast simulation kernels

import modekjar
from unf_fysisk_simulering import *

The unf_fysisk_simulering code is a copy of the standalone unf-fysisk-simulering package, kept here alongside the original functions. Its __version__ tracks the upstream release it was copied from and is deliberately independent of modekjar's own version.

---

unf_fysisk_simulering

Simulerings-bibliotek til UNF Fysik Camp, emnet "Fysisk Simulering".

Idéen er, at du kun skal beskrive systemet — en differentialligning, nogle kemiske reaktioner, en hastighedsmodel — som en lille funktion. Så klarer biblioteket selve simuleringen og tegner pæne grafer. Alt er på dansk, og hver eneste funktion har en docstring, der forklarer både hvad den gør, og hvad fysikken bag er.

Installation

pip install modekjar

I Colab (øverst i notebooken):

!pip install -q modekjar

De tunge kerner (tilfældig gang, TASEP, Ising, skovbrand) kører meget hurtigere med numba. Er numba ikke installeret, virker alt stadig — bare langsommere:

pip install "modekjar[hurtig]"     # med numba

Variablen HAR_NUMBA fortæller dig, hvilken af delene du kører med. Colab har numba med i forvejen, så der behøver du ikke [hurtig].

Kom i gang

import numpy as np
import matplotlib.pyplot as plt
from unf_fysisk_simulering import *

def logistisk(t, x):
    return 0.8 * x * (1 - x / 100)      # dx/dt = r·x·(1 - x/K)

t, x = simuler_differential(logistisk, start=1.0, t_slut=20.0, dt=0.1)
plot_baner(t, x, titel="Logistisk vækst")
plt.show()

Hvad er der i?

Simulering

Funktion	Hvad
simuler_differential(f, start, t_slut, dt, metode)	Differentialligninger — Eulers metode, RK4, RK45
simuler_maruyama(drift, stoej, start, t_slut, dt, ...)	Stokastiske ligninger (Euler-Maruyama)
simuler_brownsk(D, start, t_slut, dt, ...)	Brownsk bevægelse
simuler_tilfaeldig_gang(antal_skridt, antal_baner, dim)	Tilfældig gang i 1D/2D/3D
simuler_monte_carlo(forsoeg, antal)	Kør et tilfældigt forsøg mange gange
simuler_poisson(rate, t_slut, dt, metode)	Poisson-proces, tids- eller hændelses-drevet
simuler_gillespie(start_tilstand, reaktioner, t_slut)	Gillespie-algoritmen
simuler_tasep(L, alpha, beta, t_slut, dt)	TASEP — trafik, ribosomer
simuler_trafik(hastighedsmodel, L, antal_biler, ...)	Trafik på en ringvej med din egen hastighedsmodel
simuler_ising(L, T, antal_fejecyklusser)	2D Ising-model (magnetisme)
simuler_skovbrand(L, p_vaekst, p_lyn, antal_skridt)	Skovbrand-celleautomat

Biologi

Funktion	Hvad
simuler_epidemi_gitter(L, p_smitte, p_rask, ...)	Epidemi på et gitter (rumlig SIR)
simuler_epidemi_agenter(antal_personer, fart, radius, ...)	Epidemi blandt personer, der bevæger sig
simuler_wright_fisher(antal_individer, start_frekvens, s, ...)	Genetisk drift
simuler_neuron(stroem, stoej, ...)	Neuron, der fyrer (integrate-and-fire)
simuler_reaktion_diffusion(F, k, ...)	Turing-mønstre — pletter og striber
simuler_flok(antal_fugle, stoej, ...)	Fugleflok uden leder (Vicsek)

Grafer

Funktion	Hvad
plot_baner(t, x, ...)	Kurver og baner
plot_histogram(data, ...)	En fordeling
plot_rumtid(historik, ...)	Rum-tid-diagram (trafikpropper)
plot_faseplan(x, y, ...)	To variable mod hinanden
vis_gitter(gitter, ...)	Øjebliksbillede af et gitter
animer_gitter(historik, ...)	Animation af et gitter
animer_partikler(positioner, ...)	Animation af prikker, der bevæger sig

De fleste plot_*-funktioner tager gerne hele resultatet: plot_rumtid(res), animer_partikler(res).

Slå en enkelt funktion op med help(simuler_gillespie).

Kursusmaterialet

Selve emnet — to Colab-notebooks med 51 opgaver, opgaveteksterne og de forklarende diagrammer — ligger i kursus-repoet UNF-Science-Camps/FysikCamp2026.

---

Udvikling

setup.py                      # metadata + afhængigheder for HELE distributionen
pyproject.toml                # kun byggesystemet
src/modekjar/                 # den oprindelige funktionssamling
src/unf_fysisk_simulering/    # simulerings-pakken
    simulering.py             #   hoved-API
    _kerner.py                #   numba-kerner med ren-Python-fallback
tests/
    test_simulering.py        #   tjekker hver funktion mod det, fysikken forudsiger
.github/workflows/
    test.yml                  #   CI: begge kerne-veje, og at hjulet kan installeres
    publish.yml               #   udgiver til PyPI på en GitHub Release

pip install -e ".[hurtig]"                                  # installér til udvikling

python tests/test_simulering.py                             # selvtest (numba aktiv)
SIMULERING_INGEN_NUMBA=1 python tests/test_simulering.py    # samme, ren Python

Udgiv en ny version

Uploaden bruger PyPI Trusted Publishing — der ligger ingen API-token i repoet. Det skal sættes op én gang:

1. På PyPI → Your projects → Publishing → Add a pending publisher:

   Felt	Værdi
   PyPI Project Name	modekjar
   Owner	mimodekjaer
   Repository name	functions_moedekjaer
   Workflow name	publish.yml
   Environment name	pypi

2. På GitHub → Settings → Environments → New environment → pypi.

Derefter er en udgivelse:

# 1) sæt versionen i setup.py
git commit -am "v0.0.4" && git tag v0.0.4 && git push --follow-tags
# 2) lav en Release på taggen i GitHub  ->  publish.yml kører

publish.yml nægter at uploade, hvis taggen og setup.py ikke er enige om versionsnummeret. PyPI tillader nemlig ikke, at det samme versionsnummer uploades to gange — så en fejl her kan ikke fortrydes.

Licens

MIT — se LICENSE.