可复现性
每一张图都是计算出来的，而非画出来的
科学参考资料应当是可验证的。本页中关于 P(t) 的定量图形由您可以亲自运行的 代码生成，而那个示意性的聚合估计值则来自一个采用固定随机种子的蒙特卡洛 方法。本页将两张核心图形以可选取的矢量图形式展示，并链接到用于复现它们的 笔记本。
下文所用的参数数量级是示意性的占位值，并已明确标注为此——
它们用于检验方法，并非实测的器件规格。此处可复现的是机理：标度律、
数值计算以及收敛性。
相干增强：N² 定律
当众多组分同相响应时，散射振幅相加，有效散射截面便按其数量的平方 N² 标度， 而非线性标度。正是这一机理使得微小的单粒子散射截面在宏观上变得重要，相关内容 在散射截面一章 及深度解析中展开。该图在双对数坐标上将相干的 N² 标度与非相干的线性标度加以对比。
聚合值的蒙特卡洛收敛
P(t) 是若干因子的乘积，每个因子都有超过一个数量级的不确定性。将每个因子 建模为对数正态分布后，我们以蒙特卡洛方法估计乘积的均值。由于对数正态分布之 乘积的均值具有闭式解，因此可以检验该估计量是无偏的：逐步估计值收敛到解析 均值，其 95% 置信带以 1/√n 的方式收缩。这补充了蒙特卡洛验证 与Sigma 分析两章。
自行复现
下方的笔记本会重新生成这两张图，并输出蒙特卡洛估计值与解析均值的对比。它采用
固定的随机种子，因此每次运行的结果都完全相同，且仅依赖 numpy
和 matplotlib。
下载笔记本 — pt-schubart-reproducibility.ipynb →
以 pip install numpy matplotlib 安装运行环境，然后在 Jupyter
中打开，或使用 jupyter nbconvert --execute 以无界面方式运行。