Ganancias:
- Capacidad para distinguir entre incertidumbre aleatoria y sistemática e informar cada resultado de medición con su incertidumbre al dígito significativo apropiado.
- Capacidad para calcular la propagación de errores con la regla correcta y verificar de forma independiente la fórmula derivada de la inteligencia artificial con Monte Carlo.
- Capacidad para decidir si dos resultados son compatibles o no, teniendo en cuenta su incertidumbre.
Ninguna medida en física es perfecta. Hay una incertidumbre de ±0,5 mm cuando se mide la longitud con una regla y de ±0,1 s cuando se mide el tiempo con un cronómetro. Estas incertidumbres no son un defecto, sino la naturaleza de la medición, y el requisito de integridad científica es informar cada resultado con su incertidumbre. Decir "Encontré que la aceleración gravitacional es 9,7" está incompleto; Decir "Encontré 9,7 ± 0,3 m/s²" indica cuán confiable es el resultado. En esta unidad, aprenderá a utilizar la inteligencia artificial (IA) para el cálculo de la incertidumbre y la propagación de errores (cómo se trasladan las incertidumbres de las mediciones desde esas mediciones al resultado calculado) y cómo verificar estos cálculos.
Tipos de incertidumbre y el papel de la IA
Hay dos tipos básicos de incertidumbre. La incertidumbre aleatoria es la dispersión de los resultados en mediciones repetidas; Muchas medidas se toman y reducen por la media y la desviación estándar. La incertidumbre sistemática es un error que siempre se desvía en la misma dirección (como una balanza mal calibrada); No disminuye con la repetición, sino que se corrige encontrando la causa. La IA es útil para explicar estos conceptos, codificar el cálculo de la desviación estándar y la media y, especialmente, derivar fórmulas complejas de propagación de errores. Pero debes verificar cada fórmula derivada, porque la IA a menudo mezcla signos de derivada parcial o estructura de raíz cuadrada en las fórmulas de propagación de errores.
Estado
cuenta
verificación
Medición repetida
Media ± error estándar
Desviación estándar manual / √N
Suma/resta (z = x ± y)
Las incertidumbres se suman del cuadrado.
Control de tamaño/unidad
Multiplicación/división (z = x·y)
Las incertidumbres relativas se suman del cuadrado.
Prueba con número de muestra
Función general
Propagación por derivadas parciales.
Verificación cruzada con Montecarlo
Reglas básicas de propagación de errores.
En suma y resta, las incertidumbres absolutas se combinan sumando sus cuadrados: Si z = x + y, la incertidumbre de z se convierte en √(δx² + δy²). En la multiplicación y división, las incertidumbres relativas (porcentajes) se suman a partir de sus cuadrados: Si z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Para funciones más complejas, la regla general es utilizar derivadas parciales: el efecto de cada variable sobre el resultado se mide por la derivada parcial respecto de esa variable. La IA puede derivar estas fórmulas, pero la forma más segura de verificar el resultado es una verificación cruzada de Monte Carlo: distribuir aleatoriamente cada entrada según su incertidumbre, calcularla miles de veces y observar la distribución de la salida.
Consejo: si no está seguro de la exactitud de una fórmula de propagación de errores, proporciónela con Monte Carlo: genere aleatoriamente las entradas con su propia incertidumbre y calcule la función 10.000 veces; La desviación estándar de la salida debe coincidir con la incertidumbre dada por la fórmula. La combinación de estos dos métodos independientes aumenta enormemente su confianza en el resultado.
Paso a paso: un análisis honesto de la incertidumbre
1. Determinar la incertidumbre de cada medición. Resolución del instrumento, distribución de repeticiones o datos del fabricante. Anota de dónde viene la incertidumbre.
2. Distinguir entre aleatorio y sistemático. Considere por separado qué disminuirá con la repetición y qué no.
3. Calcule el diferencial con la fórmula correcta. Suma, multiplicación, función general: elija la regla adecuada. Haga que la IA lo obtenga, pero contrólelo.
4. Verificación cruzada con Montecarlo. Proporciona el resultado mediante un método independiente, especialmente para fórmulas complejas.
5. Informe con los dígitos significativos apropiados. La incertidumbre suele redondearse a 1 o 2 dígitos significativos; el resultado se alinea con el último dígito de la incertidumbre. Escriba "9,7 ± 0,4 m/s²", no "9,73418 ± 0,4".
tres mini casos
Caso 1: Fórmula de distribución incorrecta. Un estudiante preguntó a AI sobre la propagación de la incertidumbre para g = 4π²L/T². AI olvidó el coeficiente de 2 al derivar la contribución de la incertidumbre de T con respecto a T (dado que T² la incertidumbre relativa debería haber sido 2·δT/T). Cuando el estudiante cotejó con Monte Carlo, descubrió que la fórmula de IA estimó la incertidumbre aproximadamente a la mitad y la corrigió.
Caso 2: error sistemático oculto. Un investigador tomó una gran cantidad de mediciones, hizo que la incertidumbre aleatoria fuera muy pequeña y reportó una precisión impresionante de “±0,01 mm”. Pero su escala estaba fuera de calibre en 0,2 mm: un error sistemático. Teniendo en cuenta este error, que no disminuía con la repetición, la verdadera incertidumbre era mucho mayor. Lección: la repetición reduce el error aleatorio, no el error sistemático.
Caso 3: Montecarlo salvado. Un profesor introdujo incertidumbre en un cálculo de volumen (V = πr²h) y encontró un resultado a mano. Sin duda, le pidió a la IA un código de Montecarlo; Generó aleatoriamente r y h con sus incertidumbres y calculó V 10.000 veces. La desviación estándar de la distribución coincidió con el valor encontrado manualmente: el análisis fue validado.
Cuatro plantillas copiables
1) Derivación de propagación de errores + verificación:
Para la expresión z = [fórmula], derivar la propagación del error desde las incertidumbres de las variables xey hasta la incertidumbre de z mediante derivadas parciales, PASO A PASO. Muestra cada derivada parcial. Luego verifique esta fórmula con SympY.Fitting; Marque el paso del que no esté seguro.
2) Verificación cruzada de Montecarlo:
Escriba un código Python que encuentre la incertidumbre del siguiente cálculo usando Monte Carlo: z = [fórmula]. Entradas: x = [valor ± incertidumbre], y = [valor ± incertidumbre]. Muestre cada entrada 10,000 veces a partir de una distribución normal, calcule z, imprima la media y la desviación estándar de la salida. Compare esto con el resultado de la fórmula de difusión analítica.
3) Estadísticas de medición:
Escriba un código que calcule la media, la desviación estándar y el error estándar de la media (std/√N) para los siguientes datos de medición repetidos ([valores]). Imprima el resultado en el formato "valor ± error estándar (unidades)" con el dígito significativo apropiado. Recuérdenos la distinción entre incertidumbre aleatoria y sistemática.
4) Dígito significativo / verificación de informes:
Vuelva a escribir los resultados a continuación en la forma "valor ± incertidumbre (unidad)", redondeando la incertidumbre a 1-2 dígitos significativos y alineando el resultado con la incertidumbre. Corregir precisión falsa. Resultados: [aquí]
Aviso débil / Aviso fuerte
Débil: "calcula la incertidumbre para g".
Resultado: Un número sin contexto, cuya fórmula no está verificada y sin distinción sistemática/aleatoria.
Fuerte: "Para g = 4π²L/T², obtenga la incertidumbre de g mediante derivadas parciales de mediciones de L = 1,00 ± 0,01 m y T = 2,00 ± 0,02 s, luego verifique con Monte Carlo. Escriba el resultado en la forma 'g = ... ± ... m/s²' con el dígito significativo apropiado".
Resultado: Una incertidumbre derivada, verificada independientemente y reportada correctamente.
Errores comunes
- No reportar incertidumbre en absoluto. Una medición sin incertidumbre es una media afirmación científica.
- No verificar la fórmula de difusión. YZ frecuentemente mezcla coeficientes de derivada parcial y estructura de raíz cuadrada; La verificación cruzada de Monte Carlo es imprescindible.
- Intentar reducir el error sistemático mediante la repetición. La medición múltiple sólo reduce el error aleatorio; El error de calibración persiste.
- Creando falsas certezas. Escribir muchos más dígitos significativos que la incertidumbre es una pretensión de precisión que no existe.
- Recoger incertidumbres directamente. Las incertidumbres independientes no son lineales sino cuadráticas (en la raíz cuadrada).
Precaución: Sólo se puede decidir si dos resultados físicos son "diferentes" observando su incertidumbre. Los valores de 9,7 a 9,81 son compatibles si la incertidumbre es ±0,3; ±0,02 es contradictorio. Ignorar la incertidumbre y decir "mi resultado se desvía de la teoría" suele ser una conclusión errónea. Asegúrese de verificar el cálculo de incertidumbre proporcionado por la IA antes de tomar una decisión.
En resumen
La incertidumbre es parte integral de la medición física y cada resultado debe informarse con su incertidumbre. La IA es útil para codificar estadísticas de incertidumbre y derivar fórmulas de propagación de errores; pero estas fórmulas contienen errores frecuentes y deberían cotejarse mediante un método independiente como Monte Carlo. Distinguir la incertidumbre aleatoria de la sistemática, informar al dígito significativo apropiado y comparar los resultados con su incertidumbre es la base de un estudio científico honesto. En la siguiente unidad cambiaremos el enfoque del análisis numérico a la derivación de modelos simbólicos.
Tarea de aplicación
Elija un cálculo que incluya al menos dos cantidades medidas (por ejemplo, V = πr²h o g = 4π²L/T²). Asigne una incertidumbre razonable a cada tamaño. Haga que la IA obtenga la propagación del error con la plantilla 1, luego haga que Monte Carlo realice una verificación cruzada con la plantilla 2 y la ejecute. ¿Coinciden los resultados de los dos métodos? Informe el resultado con el dígito significativo apropiado. Escriba en 5 o 6 oraciones: ¿hay algún error o discrepancia en la fórmula?
lista de verificación
- [ ] Determiné la incertidumbre y la fuente de cada medición.
- [ ] Distinguí la incertidumbre aleatoria y la sistemática.
- [] Calculé la propagación del error con la regla correcta.
- [ ] Verifiqué el resultado de forma independiente con Monte Carlo o manualmente.
- [ ] Informé el resultado con el dígito significativo apropiado, alineado con su incertidumbre.
- [ ] Tomé en cuenta la incertidumbre al comparar los resultados.