Ganhos:
- Capacidade de distinguir entre incerteza aleatória e sistemática e relatar cada resultado de medição com sua incerteza até o dígito significativo apropriado.
- Capacidade de calcular a propagação de erros com a regra correta e verificar de forma independente a fórmula derivada pela inteligência artificial com Monte Carlo
- Capacidade de decidir se dois resultados são compatíveis ou não, tendo em conta a sua incerteza
Nenhuma medição em física é perfeita. Há uma incerteza de ±0,5 mm ao medir o comprimento com uma régua e de ±0,1 s ao medir o tempo com um cronômetro. Estas incertezas não são uma falha, mas sim a natureza da medição – e o requisito da integridade científica é relatar cada resultado com a sua incerteza. Dizer "Descobri que a aceleração gravitacional é 9,7" está incompleto; Dizer "Encontrei 9,7 ± 0,3 m/s²" indica o quão confiável é o resultado. Nesta unidade, você aprenderá como usar a inteligência artificial (IA) para cálculo de incertezas e propagação de erros (como as incertezas de medição são transportadas dessas medições para o resultado calculado) e como verificar esses cálculos.
Tipos de incerteza e o papel da IA
Existem dois tipos básicos de incerteza. A incerteza aleatória é a dispersão dos resultados em medições repetidas; Muitas medições são feitas e reduzidas pela média e desvio padrão. A incerteza sistemática é um erro que sempre se desvia na mesma direção (como uma balança mal calibrada); Não diminui com a repetição, mas é corrigido ao encontrar a causa. A IA é útil para explicar esses conceitos, codificar o cálculo do desvio padrão e da média e – especialmente – derivar fórmulas complexas de propagação de erros. Mas você deve verificar todas as fórmulas derivadas, porque a IA geralmente mistura sinais de derivadas parciais ou estrutura de raiz quadrada em fórmulas de propagação de erros.
Estado
conta
verificação
Medição repetida
Média ± erro padrão
Desvio padrão manual / √N
Adição/subtração (z = x ± y)
As incertezas são somadas ao quadrado
Controle de tamanho/unidade
Multiplicação/divisão (z = x·y)
As incertezas relativas são somadas ao quadrado
Teste com número de amostra
Função geral
Propagação por derivadas parciais
Verificação cruzada com Monte Carlo
Regras básicas de propagação de erros
Além e subtração, as incertezas absolutas são combinadas somando seus quadrados: Se z = x + y, a incerteza de z torna-se √(δx² + δy²). Na multiplicação e divisão, as incertezas relativas (porcentagem) são somadas a partir de seus quadrados: Se z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Para funções mais complexas, a regra geral é usar derivadas parciais: o efeito de cada variável no resultado é medido pela derivada parcial em relação a essa variável. A IA pode derivar essas fórmulas, mas a maneira mais segura de verificar o resultado é uma verificação cruzada de Monte Carlo: distribuindo aleatoriamente cada entrada de acordo com sua incerteza, calculando-a milhares de vezes e observando a distribuição da saída.
Dica: Se você não tiver certeza da precisão de uma fórmula de propagação de erro, forneça Monte Carlo: gere aleatoriamente as entradas com sua própria incerteza e calcule a função 10.000 vezes; O desvio padrão da saída deve corresponder à incerteza dada pela fórmula. A combinação desses dois métodos independentes aumenta muito a sua confiança no resultado.
Passo a passo: uma análise honesta da incerteza
1. Determine a incerteza de cada medição. Resolução do instrumento, distribuição de repetições ou dados do fabricante. Anote de onde vem a incerteza.
2. Distinguir entre aleatório e sistemático. Considere separadamente o que diminuirá com a repetição e o que não diminuirá.
3. Calcule o spread com a fórmula correta. Adição, multiplicação, função geral — escolha a regra apropriada. Faça com que a IA o derive, mas controle-o.
4. Verifique com Monte Carlo. Forneça o resultado de forma independente, especialmente para fórmulas complexas.
5. Relatório com dígitos significativos apropriados. A incerteza é geralmente arredondada para 1-2 dígitos significativos; o resultado se alinha com o último dígito da incerteza. Escreva "9,7 ± 0,4 m/s²" e não "9,73418 ± 0,4".
três mini cases
Caso 1 — Fórmula de spread errada. Um aluno perguntou à IA sobre a propagação da incerteza para g = 4π²L/T². AI esqueceu o coeficiente de 2 ao derivar a contribuição da incerteza de T em relação a T (uma vez que T² a incerteza relativa deveria ter sido 2·δT/T). Quando o aluno cruzou com Monte Carlo, descobriu que a fórmula da IA estimou a incerteza em cerca de metade e corrigiu-a.
Caso 2 — Erro sistemático oculto. Um pesquisador realizou um grande número de medições, reduziu a incerteza aleatória e relatou uma precisão impressionante de “±0,01 mm”. Mas a sua escala estava fora do calibre em 0,2 mm – um erro sistemático. Tendo em conta este erro, que não diminuiu com a repetição, a verdadeira incerteza foi muito maior. Lição: a repetição reduz o erro aleatório, não o erro sistemático.
Caso 3 — Monte Carlo salvo. Um professor introduziu incerteza em um cálculo de volume (V = πr²h) e encontrou o resultado manualmente. Para ter certeza, ele pediu à IA um código de Monte Carlo; Ele gerou aleatoriamente r e h com suas incertezas e calculou V 10.000 vezes. O desvio padrão da distribuição concordou com o valor encontrado manualmente — a análise foi validada.
Quatro modelos copiáveis
1) Derivação + verificação de propagação de erro:
Para a expressão z = [fórmula], derive a propagação do erro das incertezas das variáveis xey para a incerteza de z por derivadas parciais, PASSO A PASSO. Mostre cada derivada parcial. Em seguida, verifique esta fórmula com SympY.Fitting; Marque a etapa sobre a qual você não tem certeza.
2) Verificação cruzada de Monte Carlo:
Escreva um código Python que encontre a incerteza do seguinte cálculo usando Monte Carlo: z = [fórmula]. Entradas: x = [valor ± incerteza], y = [valor ± incerteza]. Faça uma amostragem de cada entrada 10.000 vezes a partir de uma distribuição normal, calcule z, imprima a média e o desvio padrão da saída. Compare isso com o resultado da fórmula analítica de difusão.
3) Estatísticas de medição:
Escreva o código que calcula a média, o desvio padrão e o erro padrão da média (std/√N) para os seguintes dados de medição repetida ([valores]). Imprima o resultado no formato “valor ± erro padrão (unidades)” com o dígito significativo apropriado. Lembre-nos da distinção entre incerteza aleatória e sistemática.
4) Verificação de dígitos significativos/relatórios:
Reescreva os resultados abaixo na forma “valor ± incerteza (unidade)”, arredondando a incerteza para 1-2 dígitos significativos e alinhando o resultado com a incerteza. Corrija a falsa precisão. Resultados: [aqui]
Alerta fraco / Alerta forte
Fraco: "calcular a incerteza para g."
Resultado: Um número sem contexto, cuja fórmula não é verificada e sem distinção sistemática/aleatória.
Forte: "Para g = 4π²L/T², derive a incerteza de g por derivadas parciais de medições de L = 1,00 ± 0,01 m e T = 2,00 ± 0,02 s, depois verifique com Monte Carlo. Escreva o resultado na forma 'g = ... ± ... m/s²' com o dígito significativo apropriado. "
Resultado: Uma incerteza derivada, verificada de forma independente e relatada corretamente.
Erros comuns
- Não relatar incerteza alguma. Uma medição sem incerteza é uma meia afirmação científica.
- Não verificando a fórmula do spread. YZ frequentemente mistura coeficientes de derivadas parciais e estrutura de raiz quadrada; A verificação cruzada de Monte Carlo é obrigatória.
- Tentar reduzir o erro sistemático através da repetição. A multimedição apenas reduz o erro aleatório; o erro de calibração permanece.
- Criando falsas certezas. Escrever muito mais dígitos significativos do que a incerteza é uma reivindicação de precisão que não existe.
- Coletando incertezas diretamente. As incertezas independentes não são lineares, mas quadradas (na raiz quadrada).
Cuidado: Se dois resultados físicos são “diferentes” só pode ser decidido observando a sua incerteza. Os valores 9,7 a 9,81 são compatíveis se a incerteza for ±0,3; ±0,02 é contraditório. Ignorar a incerteza e dizer “meu resultado se desvia da teoria” é muitas vezes uma conclusão errônea. Certifique-se de verificar o cálculo de incerteza fornecido pela IA antes de tomar uma decisão.
Em resumo
A incerteza é parte integrante da medição física e cada resultado deve ser relatado com a sua incerteza. A IA é útil na codificação de estatísticas de incerteza e na derivação de fórmulas de propagação de erros; mas estas fórmulas contêm erros frequentes e devem ser verificadas por um método independente como o Monte Carlo. Distinguir a incerteza aleatória da sistemática, reportar ao dígito significativo apropriado e comparar os resultados com a sua incerteza é a base do estudo científico honesto. Na próxima unidade mudaremos o foco da análise numérica para a derivação de modelos simbólicos.
Tarefa de aplicativo
Escolha um cálculo que inclua pelo menos duas grandezas medidas (por exemplo, V = πr²h ou g = 4π²L/T²). Atribua uma incerteza razoável a cada tamanho. Faça a IA derivar a propagação do erro com o modelo 1, depois faça a verificação cruzada de Monte Carlo com o modelo 2 e execute-o. Os resultados dos dois métodos concordam? Relate o resultado com o dígito significativo apropriado. Escreva em 5 a 6 frases: há um erro ou incompatibilidade de fórmula?
lista de verificação
- [] Determinei a incerteza e a origem de cada medição.
- [] Eu distingui incerteza aleatória e sistemática.
- [] Calculei a propagação do erro com a regra correta.
- [ ] Cruzei o resultado de forma independente com Monte Carlo ou manualmente.
- [ ] Relatei o resultado com o dígito significativo apropriado, alinhado com sua incerteza.
- [ ] Levei em consideração a incerteza ao comparar os resultados.