Em formação

Onde posso encontrar dados experimentais que apóiem ​​a lei de Hick-Hyman?

Onde posso encontrar dados experimentais que apóiem ​​a lei de Hick-Hyman?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

A lei de Hick-Hyman afirma que em um experimento de tempo de reação, o tempo médio de reação de um sujeito humano é uma função linear da informação média $ sum -p log p $, ou seja, a entropia contida no estímulo. [Hyman 1953]

Onde posso obter dados que apoiem isso? Dados do artigo de Hyman seriam ótimos!

EDITAR: mais precisamente, estou procurando um completo, julgamento por julgamento conjunto de dados; não apenas médias.


Em Hyman (1953), os seguintes dados são mostrados (Fig.1). Os bits de informação eram o número de escolhas em uma tarefa AFC, onde 1 a 8 alternativas correspondiam a 0, 1, 1,58, 2,00, 2,32, 2,58, 2,81 e 3 bits de informação (o 2log das N alternativas).


Fig. 1. RT em função de bits de informação. fonte: Hyman (1953)

Referência
- Hyman, J Exp Psychol (1953); 45(3): 188-96


Onde posso encontrar dados experimentais que apóiem ​​a lei de Hick-Hyman? - psicologia

  • Diana Mutz (investigadora principal)
    [email protected]
  • Arthur Lupia (Co-Investigador Principal)

RESUMO

Experimentos de compartilhamento de tempo para as ciências sociais (TESS) são projetados para atingir seis objetivos:
1. fornecer a numerosos cientistas sociais novas oportunidades para coleta de dados originais:
2. para promover experimentos inovadores
3. aumentar a precisão com que as dinâmicas sociais, políticas e econômicas fundamentais são
medido e compreendido:
4. aumentar a velocidade e eficiência com que os avanços na teoria e análises científicas sociais podem ser
aplicado a problemas sociais críticos:
5. maximizar a eficiência financeira combinando estudos separados, reduzindo radicalmente
os custos médios e marginais de cada estudo:
6. criar um portal de Internet para pessoas que desejam aprender sobre experimentação em ciências sociais - um lugar
onde professores e alunos em muitos níveis podem facilmente se beneficiar dessas realizações coletivas.

O TESS alcançará esses objetivos usando dois instrumentos cooperativos de coleta de dados em grande escala. Tanto os instrumentos baseados na Internet quanto os baseados no telefone permitirão aos pesquisadores realizar novos experimentos em uma amostra nacional aleatória de lares americanos com o propósito de examinar hipóteses substantivas ou metodológicas. Os estudiosos das ciências sociais competirão por tempo em um ou ambos os instrumentos. Um processo de revisão abrangente examinará as propostas quanto à importância de sua contribuição para a ciência. Os co-PIs. auxiliado pelos principais pesquisadores de Economia, Ciência Política, Psicologia, Sociologia. Comunicação, Ciências Cognitivas e disciplinas relacionadas supervisionarão o processo de revisão, com base nas revisões solicitadas dentro da disciplina de cada proponente. Como os instrumentos de coleta de dados estarão em campo em uma base contínua, os experimentos aceitos podem ser realizados rapidamente.

Tecnologicamente, o TESS combina o poder comprovado da entrevista por telefone assistida por computador com as novas possibilidades de entrevistas pela Internet assistida por computador. Cada abordagem permite que os pesquisadores capturem a validade interna dos experimentos tradicionais enquanto percebem os benefícios do contato com grandes. diversas populações de sujeitos. Os pesquisadores também podem usar o TESS para conduzir experimentos nos modos de entrevista. Esses estudos revelarão até que ponto os resultados experimentais baseados em telefone e em laboratório são robustos para entrevistar contextos que podem ser criados em computadores domésticos em todo o país. Os experimentos de compartilhamento de tempo para as ciências sociais oferecem novas oportunidades, tanto metodológicas quanto substantivas, a uma ampla gama de pesquisadores.

Durante o período da bolsa, o TESS abrirá novas oportunidades de pesquisa para mais de 150 pesquisadores individuais ou equipes de pesquisa. Capitalizando inúmeras economias de escala e tendo vários experimentos compartilhando o tempo em cada instrumento de coleta de dados, o TESS permitirá que vários pesquisadores coletem dados sob medida para suas próprias hipóteses a um custo extraordinariamente baixo por estudo. Como consequência, o TESS fornecerá a muitos cientistas sociais mais incentivos para projetar experimentos inovadores. Além disso, ao fornecer instrumentos de coleta de dados que estão no campo em uma base contínua, o TESS irá acelerar o ritmo no qual a pesquisa pode ser feita e permitir que os pesquisadores elaborem estudos que respondam aos eventos atuais.

Educação e treinamento são partes integrantes do TESS. O site deste projeto, ExperimentCentral.org, é o núcleo de uma estratégia educacional. Além de coordenar o processo de submissão e revisão de propostas TESS. ExperimentCentral.org permitirá que alunos e professores em vários níveis aprendam sobre os muitos benefícios da experimentação em ciências sociais do passado e do presente. O site, além de fornecer acesso rápido e fácil aos dados e análises do TESS, facilitará a muitos internautas a localização de sites experimentais das ciências sociais. A estratégia educacional também inclui treinamento substancial de alunos de pós-graduação ao longo do projeto de cinco anos.

Em suma, os experimentos de compartilhamento de tempo para as ciências sociais oferecem novas oportunidades para avanços substantivos e metodológicos. A chave para o TESS são vários estudos de diferentes disciplinas que compartilham plataformas observacionais comuns, todos explorando o poder inferencial e as eficiências de medição de projetos experimentais. Esse compartilhamento de tempo nas plataformas de coleta de dados também é a chave para a eficiência econômica do TESS. Ao distribuir os custos de amostragem, entrevista e coleta de instrumentos por um grande número de estudos, o custo marginal de cada estudo pode ser reduzido em ordens de magnitude, de fato, muitas vezes para um décimo ou menos do que cada um custaria se feito em seu ter.

PUBLICAÇÕES PRODUZIDAS COMO RESULTADO DESTA PESQUISA

Observação: Ao clicar em um número do Digital Object Identifier (DOI), você será levado a um site externo mantido pelo editor. Alguns artigos com texto completo podem ainda não estar disponíveis gratuitamente durante o embargo (intervalo administrativo).

Alguns links nesta página podem levar você a sites não federais. Suas políticas podem diferir deste site.


O que são variáveis ​​experimentais?

Aprenda sobre os diferentes tipos de variáveis ​​em um experimento.

As variáveis ​​são uma parte importante de um experimento de rastreamento ocular. Uma variável é qualquer coisa que pode ser alterada ou alterada. Em outras palavras, é qualquer fator que pode ser manipulado, controlado ou medido em um experimento.
Os experimentos contêm diferentes tipos de variáveis ​​a seguir, apresentaremos alguns dos principais tipos e suas definições e, em seguida, terminaremos dando um exemplo contendo todos os tipos de variáveis.

Tipos de variáveis ​​experimentais:

  • Variáveis ​​independentes (IV): são os fatores ou condições que você manipula em um experimento. Sua hipótese é que essa variável causa um efeito direto na variável dependente.
  • Variáveis ​​dependentes (DV): são os fatores que você observa ou mede. Ao variar sua variável independente, você observa o que acontece com sua variável dependente.

Figura 1. Mostra a relação entre a variável independente e dependente.

  • Variável externa: uma variável externa é qualquer fator extra que pode influenciar o resultado de um experimento, mesmo que não seja o foco do experimento. O ideal é que essas variáveis ​​não afetem as conclusões tiradas dos resultados, visto que um projeto experimental cuidadoso deve igualmente espalhar a influência pelas condições e estímulos do teste. No entanto, variáveis ​​estranhas sempre devem ser consideradas e controladas quando possível, pois podem introduzir variações indesejadas em seus dados. Nesse caso, você precisa ajustar seu projeto e procedimento para manter a variação constante ou encontrar uma estratégia para monitorar sua influência (constantes ou variáveis ​​controladas). Todos os experimentos têm variáveis ​​estranhas. Aqui estão alguns exemplos de diferentes tipos de variáveis ​​estranhas:
    • aspectos do ambiente onde a coleta de dados ocorrerá, por exemplo, temperatura ambiente, nível de ruído de fundo, níveis de luz
    • diferenças nas características dos participantes (variáveis ​​dos participantes) e
    • operador de teste, ou comportamento do experimentador durante o teste, ou seja, suas instruções para os participantes do teste não são consistentes ou eles dão pistas não intencionais do objetivo do experimento para os participantes.

    Figura 2. Exibe o efeito das variáveis ​​estranhas na relação entre as variáveis ​​independentes e dependentes.

    • Variáveis ​​controladas (ou constantes): são variáveis ​​estranhas que você consegue manter constantes ou controladas durante o curso do experimento, pois podem ter um efeito em suas variáveis ​​dependentes também.
    • Variáveis ​​de participante: as variáveis ​​de participante podem ser definidas como as características individuais diferentes que podem impactar como um participante responde em um experimento. Exemplos de variáveis ​​de participantes incluem gênero, idade, etnia, status socioeconômico, nível de alfabetização, humor, diagnóstico clínico, etc.
    • Variáveis ​​de estímulo: são características específicas de seu estímulo ou grupo de estímulos que fazem parte do contexto em que o comportamento ocorre. Freqüentemente, são uma expressão ou um subconjunto de suas variáveis ​​independentes e covariáveis. Os exemplos incluem o número de itens, categoria de item, aglomeração de estímulos, cor, brilho, contraste, etc.

    Operacionalizando variáveis

    Antes de iniciar seu experimento, você precisa ter uma definição clara e uma estratégia de como cada variável será medida e registrada. Este processo é denominado operacionalização de variáveis.

    Por exemplo, você está interessado em estudar atitudes em relação aos alimentos, atenção visual e escolha de alimentos. Em seu primeiro estudo, seu objetivo é investigar & ldquothe efeito das metas pessoais de saúde na atenção visual para diferentes grupos de alimentos & rdquo.


    ACT Science: como encontrar design experimental em física

    Um físico deseja estudar a trajetória de uma bola lançada horizontalmente. Ela varia parâmetros como velocidade de lançamento, altura inicial e massa da bola. Para cada trajetória, ela registra o tempo de vôo (em segundos) e o deslocamento horizontal (em metros). Ela assume que a resistência do ar é insignificante.

    Usando todos os dados que coleta, ela constrói a seguinte tabela:

    Quais das seguintes variáveis ​​foram controladas no ensaio 2?

    Massa da bola e velocidade de lançamento

    Altura inicial e velocidade de lançamento

    Massa da bola e velocidade de lançamento

    No Teste 2, apenas a altura inicial varia, pois a massa da bola e a velocidade de lançamento permanecem constantes.

    Exemplo de pergunta # 21: como encontrar design experimental em física

    Um separador de partículas funciona usando um campo magnético e um campo elétrico apontando perpendicularmente. Quando uma partícula carregada é lançada no separador de partículas, uma força elétrica constante é exercida sobre a partícula proporcional à carga da partícula. Além disso, o campo magnético exerce uma força sobre a partícula que está na direção oposta à força elétrica e que é proporcional à carga e à velocidade da partícula. Uma partícula passará pelo separador de partícula apenas se as forças magnéticas opostas e as forças elétricas forem iguais em magnitude, pois não causarão uma mudança líquida na direção da partícula.

    De acordo com as informações da passagem, por qual característica física um separador de partículas separa as partículas?

    A resposta correta é velocidade. Esta é uma pergunta difícil porque requer uma consideração crítica das informações da passagem. Na passagem, aprendemos que ambas as forças magnética e elétrica são proporcionais à carga da partícula. No entanto, também aprendemos que apenas a força magnética é proporcional à velocidade da partícula. Portanto, sabemos que não importa a carga que uma partícula tenha, ela só conseguirá passar pelo separador de partículas se tiver a velocidade certa de forma que a força magnética produzida seja suficiente para contrariar a força elétrica na partícula. A missa não é mencionada na passagem, portanto, podemos ignorar qualquer resposta, incluindo a missa.

    Exemplo de pergunta # 1171: Act Science

    Um separador de partículas funciona usando um campo magnético e um campo elétrico apontando perpendicularmente. Quando uma partícula carregada é lançada no separador de partículas, uma força elétrica constante é exercida sobre a partícula proporcional à carga da partícula. Além disso, o campo magnético exerce uma força sobre a partícula que está na direção oposta à força elétrica e que é proporcional à carga e à velocidade da partícula. Uma partícula passará pelo separador de partícula apenas se as forças magnéticas opostas e as forças elétricas forem iguais em magnitude, pois não causarão uma mudança líquida na direção da partícula.

    O que podemos inferir que aconteceria se um nêutron (uma partícula sem carga) fosse atirado no separador de partículas com baixa velocidade?

    Ele passaria pelo separador de partículas.

    Ele se moveria na direção da força magnética.

    Ele seria repelido do separador de partículas na direção oposta à qual foi lançado.

    Ele se moveria na direção da força elétrica.

    Ele iria desacelerar rapidamente até parar.

    Ele passaria pelo separador de partículas.

    A resposta correta é que ele passaria pelo separador. Como afirmado na passagem, a força dos campos magnético e elétrico na partícula são proporcionais à carga da partícula. Portanto, uma partícula neutra (com carga = 0) não produziria força em nenhum dos campos. Portanto, a velocidade da partícula permaneceria a mesma e ela (lentamente) sairia do separador sem mudar sua direção.

    Exemplo de pergunta # 21: como encontrar design experimental em física

    Um separador de partículas funciona usando um campo magnético e um campo elétrico apontando perpendicularmente. Quando uma partícula carregada é lançada no separador de partículas, uma força elétrica constante é exercida sobre a partícula proporcional à carga da partícula. Além disso, o campo magnético exerce uma força sobre a partícula que está na direção oposta à força elétrica e que é proporcional à carga e à velocidade da partícula. Uma partícula passará pelo separador de partícula apenas se as forças magnéticas opostas e as forças elétricas forem iguais em magnitude, pois não causarão uma mudança líquida na direção da partícula.

    Qual das seguintes afirmações sobre o campo elétrico e a intensidade do campo magnético é consistente com as informações fornecidas na passagem?

    Para que o separador de partículas funcione, a razão entre a intensidade do campo elétrico e a intensidade do campo magnético deve variar aleatoriamente.

    Para que o separador de partículas funcione, o campo magnético deve ser sempre mais forte que o campo elétrico.

    Para que o separador de partículas funcione, a razão entre a intensidade do campo elétrico e a intensidade do campo magnético deve permanecer constante.

    Para que o separador de partículas funcione, a razão entre a intensidade do campo elétrico e a intensidade do campo magnético deve variar com o tempo.

    Para que o separador de partículas funcione, o campo elétrico deve ser sempre mais forte que o campo magnético.

    Para que o separador de partículas funcione, a razão entre a intensidade do campo elétrico e a intensidade do campo magnético deve permanecer constante.

    Esta questão requer uma leitura cuidadosa da passagem. A passagem revela que o separador de partículas separa as partículas apenas de acordo com sua velocidade. A maneira como isso é realizado é que, enquanto as partículas estão fluindo através do separador, as partículas que estão indo mais rápido (têm uma velocidade maior) experimentam uma maior força magnética oposta à força elétrica e, portanto, tendo apenas uma velocidade específica (com a qual uma partícula experimenta igual forças magnéticas e elétricas) permitirão que uma partícula saia do separador e não seja empurrada em uma direção ou outra. Não importa qual seja a razão do campo magnético para o campo elétrico, ele deve permanecer constante, ou então as forças em cada partícula irão variar de acordo com as velocidades das partículas e os campos magnéticos e elétricos variáveis. Portanto, para que este aparelho funcione corretamente, é necessária uma relação magnética / elétrica constante.

    Exemplo de pergunta # 21: como encontrar design experimental em física

    Um engenheiro quer projetar um brinquedo que será jogado no chão. Parece uma superbola (bola quicando), mas não quica. O engenheiro tem a Subtância A, a Substância B e a Substância C que ele solta de várias alturas. Todos os testes são realizados jogando as substâncias na mesma superfície e cada altura é testada várias vezes. O erro entre os experimentos é mínimo e muito pequeno para ser visto no gráfico. O engenheiro registra a altura máxima de rebote de cada substância nas várias alturas de queda. Esses dados são exibidos no gráfico abaixo.

    Qual das alternativas a seguir será a melhor melhoria que pode ser feita no design do experimento?

    Todas as opções seriam grandes melhorias no experimento

    Teste a substância em mais alturas de queda dentro da faixa testada

    Registre o tempo que cada substância leva para atingir sua altura máxima de rebote

    Faça o experimento jogando a substância na superfície em vez de apenas soltar a substância

    Faça o experimento jogando a substância na superfície em vez de apenas soltar a substância

    A substância C parece atingir a meta desejada de uma pequena altura de rebote, o que elimina a necessidade de testar mais substâncias. Registrar o tempo que leva para cada substância atingir sua altura máxima de rebote não adiciona nenhuma informação necessária ao experimento. Esse fato elimina essa opção. Uma relação linear pode ser vista a partir dos pontos de dados já testados e não há necessidade de realizar mais experimentos em alturas de queda diferentes do experimento inicial. Isso também elimina a opção de todas as opções serem melhorias no experimento. Isso deixa a resposta correta de jogar as substâncias em vez de apenas jogá-las.

    Alternativamente, as substâncias são usadas para serem superbolas de partidas que serão jogadas no chão. As substâncias que serão usadas para fazer a superbola da partida não serão simplesmente descartadas, mas jogadas no chão. O lançamento das substâncias fornecerá dados experimentais mais precisos, levando em consideração essa força adicional não presente no experimento de queda.

    Exemplo de pergunta nº 22: Como encontrar design experimental em física

    Os engenheiros estão avaliando quatro tecnologias potenciais. Essas tecnologias devem ser usadas como usinas de energia consideradas energia "limpa". A produção estimada de energia dessas usinas foi calculada e os recursos necessários para operá-las também foram listados.

    Qual das opções a seguir os engenheiros também devem pesquisar antes de construir a usina?

    Segurança de cada tecnologia

    Opiniões do cliente em relação a cada tecnologia

    O custo de construção e recursos necessários para a instalação para cada opção

    Os engenheiros precisariam saber os fundos / orçamento que eles têm à disposição para ver qual tecnologia eles podem buscar. Os engenheiros então precisariam calcular o custo de construção e operação de tal instalação. Isso ditaria se os engenheiros seriam capazes de realmente construir e usar a instalação sem aumentar muito o custo para os clientes. Finalmente, alguns clientes em certas áreas podem se opor fortemente a certos tipos de tecnologia em sua vizinhança. A partir dessa lógica, os engenheiros devem considerar as opiniões dos clientes. A segurança de cada tecnologia é necessária para não colocar em risco a vida dos trabalhadores de cada fábrica. Uma vez que tudo isso é importante saber, os engenheiros devem pesquisar todos esses tópicos.

    Exemplo de pergunta # 1171: Act Science

    Uma empresa desenvolveu um novo protótipo de carro e queria testá-lo. O tempo de aceleração do carro de 0 mph a 60 mph e o tempo de parada de 60 mph a 0 mph foram medidos. Uma pista de obstáculos envolvendo muitas curvas também foi construída para determinar o quão bem o carro pode fazer curvas. A principal preocupação da empresa é a segurança do carro e por isso todos os testes foram realizados em concreto seco, concreto após chuva simulada, concreto que estava coberto de neve e em areia.

    Que outros aspectos do carro esta empresa deve testar?

    Obtenha uma classificação de segurança para o carro

    Determine se os consumidores gostam do estilo do carro

    Teste a velocidade máxima do carro

    Determine as milhas por galão que o carro consegue

    Obtenha uma classificação de segurança para o carro

    Afirma-se que a principal preocupação da montadora é a segurança do carro. Portanto, a montadora deve obter uma classificação de segurança e certificar-se de que a segurança do carro está de acordo com os padrões necessários. Determinar as milhas por galão, a velocidade máxima e o estilo ideal do carro seria útil para a empresa, mas não ajudaria a determinar se o carro é seguro para os consumidores. A resposta correta é obter uma classificação de segurança para o carro.

    Exemplo de pergunta # 1171: Act Science

    Dois cientistas estão preocupados em produzir eletricidade com ímãs.

    O cientista 1 acredita que girar um ímã dentro de uma bobina de fios produzirá eletricidade. O cientista 1 afirma que quanto maior o ímã, mais eletricidade será produzida.

    O cientista 2 acredita que girar a bobina de fios em torno de um ímã produzirá eletricidade. O cientista 2 afirma que quanto maior o número de bobinas, mais eletricidade será produzida.

    Os cientistas realizam o seguinte experimento. Os cientistas pegam quatro ímãs, A, B, C e D com A sendo o menor ímã, B o menor seguinte, então C e o maior ímã era D. O cientista gira os ímãs na mesma velocidade constante nas bobinas e registra o número de miliamperes produzidos. Isso foi feito em fiação de cobre com 20, 40 e 60 bobinas. Ao testar, girando a bobina em torno do ímã na mesma velocidade da rotação do ímã, os resultados foram registrados abaixo.

    O que mais pode ser testado para determinar formas de aumentar a corrente máxima produzida?

    A distância entre a bobina e a fiação durante a rotação

    A velocidade de rotação da bobina ou ímã

    A velocidade de rotação da bobina ou do ímã pode afetar a saída da corrente, mas não há informações sobre isso. Isso deve ser testado. O cientista nunca declara de que material a bobina é feita e isso, em comparação com outros materiais condutores, pode impactar a corrente produzida. Nos experimentos, não está claro como o espaçamento entre os ímãs e as bobinas afeta os resultados e também deve ser testado.

    Exemplo de pergunta nº 22: Como encontrar design experimental em física

    Um aluno está realizando um experimento científico para sua classe. O aluno cria uma rampa que contém quatro superfícies diferentes, carpete, vidro, madeira e plástico. A rampa é mantida em um ângulo constante e uma bola pode rolar pela rampa. O aluno testa cada material lançando uma bola a distâncias diferentes do fundo da rampa e registrando o tempo que a bola leva para percorrer a distância da rampa.

    O que é / são as variáveis ​​independentes neste experimento?

    O tempo que a bola leva para descer a rampa

    O material da superfície e o tempo que a bola leva para descer a rampa a partir da altura de lançamento

    A superfície do material e a altura em que a bola é lançada

    Não existem variáveis ​​independentes

    A superfície do material e a altura em que a bola é lançada

    Uma variável independente é algo que não é afetado pelo experimento. Em outras palavras, as variáveis ​​independentes não são afetadas pelas outras variáveis ​​do experimento. O tempo que a bola leva para descer a rampa é afetado pela distância e pelo material da superfície. Portanto, a variável de tempo é a variável dependente. A distância que a bola percorre e a superfície do material testada não são afetadas por nenhuma outra variável e são variáveis ​​independentes.

    Exemplo de pergunta nº 22: Como encontrar design experimental em física

    Às vezes, os cientistas precisam reduzir os experimentos porque coletar dados em grande escala pode não ser prático ou possível. Na maioria das vezes, os dados coletados durante um experimento em pequena escala são um indicador preciso dos resultados em escala real. Por exemplo, a pesquisa de crateras na superfície da Terra indicou que a Terra experimentou uma história de colisões massivas de meteoros. Foi levantada a hipótese de que, entre outras coisas, esses meteoritos impactantes causaram a vaporização dos oceanos da Terra. Os efeitos prejudiciais associados às colisões de meteoros teriam tornado o planeta inabitável para os humanos. Devido a esses efeitos adversos, um experimento que pudesse produzir crateras do tamanho de um meteoro não seria possível em um cenário de escala real.

    Os pesquisadores desenvolveram experimentos em pequena escala que são exemplares das três leis do movimento de Newton. A primeira lei de Newton afirma que um objeto em movimento permanecerá em movimento a menos que seja acionado por outra força. Esse fenômeno é conhecido como inércia. A segunda lei vem na forma de uma equação que calcula quanta força é exercida sobre dois objetos em colisão com relação à massa e à aceleração. Em outras palavras, a força é igual à massa de um objeto multiplicada por sua aceleração. A terceira lei afirma que para cada ação há uma reação igual e oposta. Em outras palavras, as forças sempre ocorrem em pares. Uma força contrária que é igual em magnitude e direção oposta complementa cada força em uma direção particular. Por exemplo, se você empurrar uma mesa para baixo, a mesa, em teoria, empurra para cima com a mesma força.

    Em um exercício específico de pequena escala, os alunos foram solicitados a projetar um experimento no qual dois “meteoritos” seriam lançados em um meio de areia e os diâmetros de cratera subsequentes seriam medidos. Em seguida, a areia seria nivelada e o experimento repetido. Os alunos foram solicitados a identificar todos os fatores que poderiam afetar a formação das crateras. Isso foi feito para garantir que cada experimento testasse uma variável independente e uma variável dependente de cada vez. Caso contrário, não estaria claro qual variável está causando o efeito observado. As possíveis variáveis ​​que poderiam alterar o resultado do experimento incluíam, mas não estavam limitadas ao seguinte: altura da queda, velocidade do “meteorito”, ângulo de impacto e massa do meteorito.

    Considere um experimento que busca identificar a massa do análogo do meteorito. Todas as outras variáveis ​​teriam que permanecer constantes para garantir resultados precisos. Para isso, a altura da queda foi fixada em um metro. O objeto foi colocado em cima de uma régua de medição vertical. Para manter constantes a aceleração e a altura da queda, ela foi rolada para fora do manche em vez de ser empurrada ou simplesmente deixada cair. Por último, um transferidor foi usado para manter a régua em um ângulo de noventa graus. No procedimento, uma bola de gude e uma bola de golfe foram utilizadas como “meteoritos” de diferentes massas.

    Os resultados do experimento foram registrados na tabela e na figura fornecida.

    Diâmetro da cratera (cm)
    Teste Number
    Mármore (massa = 4g) Bola de golfe (massa = 46g)
    1 4.5 7.75
    2 4.5 6
    3 4 5.5
    4 3 6
    5 3 6.5
    6 3.5 7
    7 3 5
    8 3 5
    9 3 7
    10 3.5 6
    Média Média
    3,5 cm 6,175 cm

    Qual das opções a seguir identifica com mais precisão as variáveis ​​independentes e dependentes deste experimento?


    Onde posso encontrar dados experimentais que apóiem ​​a lei de Hick-Hyman? - psicologia

    • Diana Mutz (investigadora principal)
      [email protected]
    • Arthur Lupia (Co-Investigador Principal)

    RESUMO

    Experimentos de compartilhamento de tempo para as ciências sociais (TESS) são projetados para atingir seis objetivos:
    1. fornecer a numerosos cientistas sociais novas oportunidades para coleta de dados originais:
    2. para promover experimentos inovadores
    3. aumentar a precisão com que as dinâmicas sociais, políticas e econômicas fundamentais são
    medido e compreendido:
    4. aumentar a velocidade e eficiência com que os avanços na teoria e análises científicas sociais podem ser
    aplicado a problemas sociais críticos:
    5. maximizar a eficiência financeira combinando estudos separados, reduzindo radicalmente
    os custos médios e marginais de cada estudo:
    6. criar um portal de Internet para pessoas que desejam aprender sobre experimentação em ciências sociais - um lugar
    onde professores e alunos em muitos níveis podem facilmente se beneficiar dessas realizações coletivas.

    O TESS alcançará esses objetivos usando dois instrumentos cooperativos de coleta de dados em grande escala. Tanto os instrumentos baseados na Internet quanto os baseados no telefone permitirão aos pesquisadores realizar novos experimentos em uma amostra nacional aleatória de lares americanos com o propósito de examinar hipóteses substantivas ou metodológicas. Os estudiosos das ciências sociais competirão por tempo em um ou ambos os instrumentos. Um processo de revisão abrangente examinará as propostas quanto à importância de sua contribuição para a ciência. Os co-PIs. auxiliado pelos principais pesquisadores de Economia, Ciência Política, Psicologia, Sociologia. Comunicação, Ciências Cognitivas e disciplinas relacionadas supervisionarão o processo de revisão, com base nas revisões solicitadas dentro da disciplina de cada proponente. Como os instrumentos de coleta de dados estarão em campo em uma base contínua, os experimentos aceitos podem ser realizados rapidamente.

    Tecnologicamente, o TESS combina o poder comprovado da entrevista por telefone assistida por computador com as novas possibilidades de entrevistas pela Internet assistida por computador. Cada abordagem permite que os pesquisadores capturem a validade interna dos experimentos tradicionais enquanto percebem os benefícios do contato com grandes. diversas populações de sujeitos. Os pesquisadores também podem usar o TESS para conduzir experimentos nos modos de entrevista. Esses estudos revelarão até que ponto os resultados experimentais baseados em telefone e em laboratório são robustos para entrevistar contextos que podem ser criados em computadores domésticos em todo o país. Os experimentos de compartilhamento de tempo para as ciências sociais oferecem novas oportunidades, tanto metodológicas quanto substantivas, a uma ampla gama de pesquisadores.

    Durante o período da bolsa, o TESS abrirá novas oportunidades de pesquisa para mais de 150 pesquisadores individuais ou equipes de pesquisa. Capitalizando inúmeras economias de escala e tendo vários experimentos compartilhando o tempo em cada instrumento de coleta de dados, o TESS permitirá que vários pesquisadores coletem dados sob medida para suas próprias hipóteses a um custo extraordinariamente baixo por estudo. Como consequência, o TESS fornecerá a muitos cientistas sociais mais incentivos para projetar experimentos inovadores. Além disso, ao fornecer instrumentos de coleta de dados que estão no campo em uma base contínua, o TESS irá acelerar o ritmo no qual a pesquisa pode ser feita e permitir que os pesquisadores elaborem estudos que respondam aos eventos atuais.

    Educação e treinamento são partes integrantes do TESS. O site deste projeto, ExperimentCentral.org, é o núcleo de uma estratégia educacional. Além de coordenar o processo de submissão e revisão de propostas TESS. ExperimentCentral.org permitirá que alunos e professores em vários níveis aprendam sobre os muitos benefícios da experimentação em ciências sociais do passado e do presente. O site, além de fornecer acesso rápido e fácil aos dados e análises do TESS, facilitará a muitos internautas a localização de sites experimentais das ciências sociais. A estratégia educacional também inclui treinamento substancial de alunos de pós-graduação ao longo do projeto de cinco anos.

    Em suma, os experimentos de compartilhamento de tempo para as ciências sociais oferecem novas oportunidades para avanços substantivos e metodológicos. A chave para o TESS são vários estudos de diferentes disciplinas que compartilham plataformas observacionais comuns, todos explorando o poder inferencial e as eficiências de medição de projetos experimentais. Esse compartilhamento de tempo nas plataformas de coleta de dados também é a chave para a eficiência econômica do TESS. Ao distribuir os custos de amostragem, entrevista e coleta de instrumentos por um grande número de estudos, o custo marginal de cada estudo pode ser reduzido em ordens de magnitude, de fato, muitas vezes para um décimo ou menos do que cada um custaria se feito em seu ter.

    PUBLICAÇÕES PRODUZIDAS COMO RESULTADO DESTA PESQUISA

    Observação: Ao clicar em um número do Digital Object Identifier (DOI), você será levado a um site externo mantido pelo editor. Alguns artigos com texto completo podem ainda não estar disponíveis gratuitamente durante o embargo (intervalo administrativo).

    Alguns links nesta página podem levar você a sites não federais. Suas políticas podem diferir deste site.


    Recursos APA

    A APA costuma receber ligações de alunos que se preparam para sua primeira tarefa de pesquisa. Freqüentemente, os instrutores irão sugerir que as classes visitem o site da APA, que é um excelente ponto de partida e fornece informações confiáveis ​​sobre tópicos e questões atuais, comunicados à imprensa, relatórios e brochuras e documentos de posicionamento que podem ser úteis na seleção do seu tópico. Você pode acessar recursos gratuitos e pagos no site da APA.

    A maioria das principais bibliotecas universitárias fornece acesso eletrônico a bancos de dados bibliográficos e de texto completo produzidos pela APA. Esses recursos incluem APA PsycInfo ®, um banco de dados de resumos APA PsycArticles ®, texto completo de artigos de periódicos APA PsycBooks ®, livros de texto completo, capítulos de livros e entradas do Enciclopédia de Psicologia APA PsycExtra ®, pesquisa de fora da publicação revisada por pares APA PsycTests ®, testes psicológicos, medidas, escalas, pesquisas e outras avaliações e APA PsycTherapy ®, vídeos com demonstração de terapia. A APA também publica uma série de manuais que fornecem informações detalhadas sobre vários tópicos, como metodologias de pesquisa.

    Essas fontes confiáveis ​​são usadas por profissionais de pesquisa, médicos e profissionais de saúde mental em todo o mundo. Alguns catálogos de bibliotecas também fornecem links para artigos de periódicos em texto completo e livros ou capítulos de livros nos bancos de dados.

    Os bancos de dados permitem pesquisar por tópicos gerais ou palavras-chave. Você pode consultar o Dicionário de termos de índice psicológico ® para encontrar os termos mais atuais na literatura. Consulte seu bibliotecário para obter mais informações.

    Para se familiarizar mais com os produtos do banco de dados APA, visite as páginas dos produtos para saber mais sobre as publicações cobertas, ferramentas de pesquisa e informações sobre produtos de pesquisa adicionais que podem ser de seu interesse.

    Qual banco de dados é mais apropriado para sua pesquisa? As descrições a seguir o ajudarão a decidir.

    APA PsycInfo

    APA PsycInfo é uma base de dados bibliográfica eletrônica que fornece citações e resumos da literatura acadêmica em ciências comportamentais e saúde mental desde o início de 1800 até o presente. Material de relevância para psicólogos e profissionais em áreas afins, como psiquiatria, enfermagem, negócios, educação, ciências sociais, neurociências, direito, medicina e serviço social está incluído no banco de dados. APA PsycInfo cobre títulos de periódicos, teses de doutorado, livros escritos e editados e capítulos de livros editados. Comece sua pesquisa usando APA PsycInfo.

    APA PsycArticles

    APA PsycArticles é um banco de dados de artigos completos de periódicos publicados pela APA, a APA Educational Publishing Foundation, a Canadian Psychological Association e o Hogrefe Publishing Group. O banco de dados inclui todo o material das revistas impressas, com exceção de anúncios e listas de conselhos editoriais. APA PsycArticles cobre atualmente periódicos revisados ​​por pares de 1894 até o presente.

    APA PsycExtra

    APA PsycExtra, um companheiro do banco de dados acadêmico APA PsycInfo, fornece aos médicos, profissionais da informação, formuladores de políticas, pesquisadores e consumidores uma ampla variedade de informações confiáveis ​​em psicologia, ciências comportamentais e saúde. A maior parte da cobertura é de material escrito para profissionais e disseminado fora de periódicos revisados ​​por pares. Os documentos incluem boletins informativos, revistas, jornais, relatórios técnicos e anuais, relatórios do governo, brochuras ao consumidor e muito mais. APA PsycExtra difere de APA PsycInfo em sua abrangência e também em seu formato, pois inclui resumos e citações, além de textos completos para grande parte dos registros. Não há sobreposição com APA PsycInfo.

    APA PsycBooks

    APA PsycBooks é um banco de dados de textos completos de títulos acadêmicos publicados pela APA Books. Inclui livros atuais publicados pela APA e livros clássicos e esgotados. O banco de dados também fornece acesso à APA / Oxford University Press Enciclopédia de Psicologia. APA PsycBooks contém os registros abstratos e bibliográficos da APA PsycInfo para livros e capítulos e o texto completo do livro, índices e todo o material introdutório.

    APA PsycTests

    APA PsycTests é um banco de dados de pesquisa que fornece acesso a testes psicológicos, medidas, escalas, pesquisas e outras avaliações, bem como informações descritivas sobre o teste e seu desenvolvimento e administração. APA PsycTests concentra-se principalmente em testes não publicados, aqueles desenvolvidos por pesquisadores, mas não disponibilizados comercialmente. A maioria dos registros tem links para uma variedade de materiais que descrevem o teste em literatura revisada por pares, relatórios técnicos ou dissertações, bem como links para literatura revisada por pares relacionada que descreve o desenvolvimento, revisão ou uso do teste. Todos os registros incluem um resumo que descreve o teste, com sua finalidade e algum histórico de seu desenvolvimento. A maioria dos registros inclui o instrumento de teste real.

    APA PsycTherapy

    APA PsycTherapy é um banco de dados contendo mais de 300 vídeos com demonstrações de terapia mostrando médicos trabalhando com indivíduos, casais e famílias. APA PsycTherapy apresenta mais de 200 tópicos diferentes cobertos ao longo de centenas de horas de demonstrações filmadas utilizando uma ampla gama de abordagens. O banco de dados contém apenas sessões de terapia espontâneas e sem script gravadas nos últimos 10 anos.APA PsycTherapy é uma ferramenta altamente flexível com transcrições sincronizadas e pesquisáveis ​​que melhoram a navegação e o acesso do usuário e fornece aos usuários a capacidade de marcar segmentos de cada demonstração de terapia para criar, salvar ou compartilhar listas de reprodução pessoais.

    APA Handbooks in Psychology ®

    Os títulos da série APA Handbooks in Psychology são recursos ideais para bibliotecas e instituições - esses livros de referência fornecem um balcão único para visões gerais e análises aprofundadas de uma variedade de subcampos dentro da psicologia. Diferentes opções de compra para versões eletrônicas e impressas estão disponíveis para instituições que desejam fornecer a seus usuários essas publicações abrangentes.

    Acessando bancos de dados APA

    Os bancos de dados da APA estão amplamente disponíveis em faculdades e universidades. Se você é um estudante, membro do corpo docente ou pesquisador de uma faculdade ou outra instituição, verifique com sua biblioteca para ver qual banco de dados APA está disponível. Se a biblioteca for assinante, você poderá acessar os bancos de dados online de sua casa, escritório ou dormitório. Consulte sua biblioteca para obter mais informações.

    Se você for um membro da APA, poderá adquirir acesso aos bancos de dados e pesquisar em sua casa ou escritório. A APA oferece os bancos de dados em vários pacotes projetados para atender às suas necessidades de pesquisa e orçamento. Um pacote de bancos de dados também está disponível para profissionais que precisam de acesso contínuo. Para saber mais sobre os bancos de dados, opções de preços e como se inscrever online, visite APA Databases Subscription Packages.

    Se você não for um membro da APA ou precisar de acesso ocasional aos bancos de dados, você pode pesquisar APA PsycInfo, APA PsycExtra, APA PsycArticles e APA PsycBooks em uma base pré-paga.

    Procure ajuda

    Entre em contato com a equipe da APA para discutir questões de pesquisa ou para obter informações sobre os bancos de dados e serviços da APA. A ajuda por telefone está disponível de segunda a sexta-feira, das 9h às 17h EST, (800) 374-2722. Você também pode solicitar ajuda enviando um e-mail.

    The Thesaurus of Psychological Index Terms ®

    Os usuários encontrarão todos os termos de índice que são usados ​​nos bancos de dados da APA em The Thesaurus of Psychological Index Terms. Usar o dicionário de sinônimos antes de iniciar uma pesquisa economizará muito tempo na localização de artigos. O dicionário de sinônimos fornece termos de índice padronizados usados ​​para cada registro nas bases de dados da APA. Definições e informações sobre como os termos são usados ​​e informações sobre termos e conceitos relacionados também são fornecidas para garantir que seja possível encontrar todo o material disponível sobre um assunto.

    O dicionário de sinônimos é geralmente atualizado anualmente - a APA disponibiliza online as atualizações mais recentes do dicionário de sinônimos. Uma versão online interativa do dicionário de sinônimos também é fornecida com a maioria dos sistemas de fornecedores APA PsycInfo.

    Guias de treinamento

    Os usuários podem encontrar uma ampla variedade de ferramentas essenciais para pesquisar os bancos de dados da APA no Centro de Treinamento da APA. A APA fornece versões impressas e online de guias de pesquisa para a maioria dos sistemas de pesquisa de fornecedores. Os guias de pesquisa específicos do sistema ajudam os usuários na navegação básica do sistema. Um guia de campo gratuito com informações sobre o conteúdo e as convenções de uso dos campos de registro APA PsycInfo também está disponível.

    Banco de dados da APA e Blog de recursos eletrônicos

    Este blog é sua fonte de materiais de treinamento e informações sobre os bancos de dados e recursos eletrônicos da American Psychological Association. Inclui atualizações sobre sessões de treinamento presenciais e baseadas na web, bem como destaques de nossos tutoriais em vídeo, apostilas e outros materiais. Você também encontrará anúncios sobre novas publicações que estão sendo adicionadas aos bancos de dados, novos recursos sendo adicionados à plataforma APA PsycNet e sobre novos recursos à medida que forem disponibilizados.


    Um guia para design experimental

    Publicado em 3 de dezembro de 2019 por Rebecca Bevans. Revisado em 26 de maio de 2021.

    Em um experimentar, você manipula uma ou mais variáveis ​​independentes e mede seu efeito em uma ou mais variáveis ​​dependentes. Design experimental significa criar um conjunto de procedimentos para testar uma hipótese.

    Um bom projeto experimental requer um forte conhecimento do sistema que você está estudando. Considerando primeiro as variáveis ​​e como elas estão relacionadas (Etapa 1), você pode fazer previsões que são específicas e testáveis ​​(Etapa 2).

    A amplitude e a precisão com que você varia sua variável independente (Etapa 3) determinará o nível de detalhe e a validade externa de seus resultados. Suas decisões sobre randomização, controles experimentais e designs entre sujeitos e dentro dos sujeitos (Etapa 4) determinarão a validade interna do seu experimento.


    Onde posso encontrar dados experimentais que apóiem ​​a lei de Hick-Hyman? - psicologia

    Este capítulo é basicamente um tutorial sobre como lidar com erros experimentais de medição. Muito do material foi exaustivamente testado com graduandos de ciências em vários níveis na Universidade de Toronto.

    Livros inteiros podem e foram escritos sobre este tópico, mas aqui destilamos o tópico ao essencial. No entanto, nossa experiência é que, para iniciantes, uma abordagem iterativa desse material funciona melhor. Isso significa que os usuários primeiro digitalizam o material neste capítulo e, em seguida, tentam usar o material em seu próprio experimento e, em seguida, examinam o material novamente.

    EDA fornece funções para facilitar os cálculos exigidos pela propagação de erros, e essas funções são apresentadas na Seção 3.3. Essas funções de propagação de erro são resumidas na Seção 3.5.

    3.1.1 O Objetivo da Análise de Erro

    Para alunos que apenas assistem a palestras e lêem livros didáticos de ciências, é fácil ter a impressão incorreta de que as ciências físicas estão preocupadas em manipular números precisos e perfeitos. As palestras e os livros didáticos geralmente contêm frases como:

    Uma partícula sob a influência da gravidade está sujeita a uma aceleração constante de 9,8 m /. Se .

    Para um cientista experimental, esta especificação está incompleta. Isso significa que a aceleração está mais próxima de 9,8 do que de 9,9 ou 9,7? Isso significa que a aceleração está mais próxima de 9,80000 do que de 9,80001 ou 9,79999? Freqüentemente, a resposta depende do contexto. Se um carpinteiro disser que o comprimento é de "apenas 8 polegadas", isso provavelmente significa que o comprimento está mais próximo de 8 0/16 pol. Do que de 8 1/16 pol. Ou 7 15/16 pol. Se um maquinista disser que o comprimento é "justo 200 milímetros ", o que provavelmente significa que está mais próximo de 200,00 mm do que de 200,05 mm ou 199,95 mm.

    Todos nós sabemos que a aceleração da gravidade varia de um lugar para outro na superfície da Terra. Também varia com a altura acima da superfície, e medidores de gravidade capazes de medir a variação do chão até o tampo de uma mesa estão prontamente disponíveis. Além disso, qualquer medida física, como g só pode ser determinado por meio de um experimento, e uma vez que não existe um aparato experimental perfeito, é impossível, mesmo em princípio, saber g perfeitamente. Assim, a especificação de g fornecido acima é útil apenas como um exercício possível para um aluno. Para dar algum significado, deve ser alterado para algo como:

    Um rolamento de esferas de 5 g caindo sob a influência da gravidade na Sala 126 do McLennan Physical Laboratories da Universidade de Toronto em 13 de março de 1995 a uma distância de 1,0 e mais 0,1 m acima do chão foi medido para estar sujeito a uma aceleração constante de 9,81 & plusmn 0,03 m /.

    Duas questões surgem sobre a medição. Primeiro, é "preciso", em outras palavras, o experimento funcionou corretamente e todos os fatores necessários foram levados em consideração? A resposta para isso depende da habilidade do experimentador em identificar e eliminar todos os erros sistemáticos. Eles são discutidos na Seção 3.4.

    A segunda questão diz respeito à "precisão" do experimento. Neste caso, a precisão do resultado é dada: o experimentador afirma que a precisão do resultado está dentro de 0,03 m / s. As próximas duas seções fornecem alguns detalhes sobre como a precisão de uma medição é determinada. No entanto, os seguintes pontos são importantes:

    1. A pessoa que fez a medição provavelmente teve algum "pressentimento" quanto à precisão e "pendurou" um erro no resultado principalmente para comunicar esse sentimento a outras pessoas. O bom senso sempre deve ter precedência sobre as manipulações matemáticas.

    2. Em experimentos complicados, a análise de erros pode identificar erros dominantes e, portanto, fornecer um guia de onde é necessário mais esforço para melhorar um experimento.

    3. Não há virtualmente nenhum caso nas ciências físicas experimentais em que a análise de erro correta seja comparar o resultado com um número em algum livro. Um experimento correto é aquele que é realizado corretamente, não aquele que dá um resultado de acordo com outras medições.

    4. A melhor precisão possível para um determinado experimento é sempre limitada pelo aparelho. As medições de polarização em física de alta energia requerem dezenas de milhares de horas por pessoa e custam centenas de milhares de dólares para serem executadas, e uma boa medição está dentro de um fator de dois. Os experimentos eletrodinâmicos são consideravelmente mais baratos e geralmente fornecem resultados com 8 ou mais algarismos significativos. Em ambos os casos, o experimentador deve lutar com o equipamento para obter a medição mais precisa e exata possível.

    3.1.2 Diferentes tipos de erros

    Conforme mencionado acima, existem dois tipos de erros associados a um resultado experimental: o de "precisão" e o de "exatidão". Um texto conhecido explica a diferença desta forma:

    A palavra "precisão "estará relacionada à distribuição de erro aleatório associada a um experimento específico ou mesmo a um tipo específico de experimento. A palavra "precisão "deve estar relacionada à existência de erros sistemáticos e diferenças entre os laboratórios, por exemplo. Por exemplo, pode-se realizar uma cronometragem muito precisa, mas imprecisa, com um relógio de pêndulo de alta qualidade que tenha o pêndulo ajustado não exatamente no comprimento certo. E.M. Pugh e G.H. Winslow, p. 6

    O objetivo de um bom experimento é minimizar os erros de precisão e os erros de precisão.

    Normalmente, um determinado experimento tem um ou outro tipo de erro dominante, e o experimentador dedica o máximo esforço para reduzi-lo. Por exemplo, ao medir a altura de uma amostra de gerânios para determinar um valor médio, as variações aleatórias dentro da amostra de plantas provavelmente serão muito maiores do que qualquer possível imprecisão na régua que está sendo usada. Da mesma forma, para muitos experimentos nas ciências biológicas e da vida, o experimentador se preocupa mais em aumentar a precisão de suas medições. Claro, alguns experimentos nas ciências biológicas e da vida são dominados por erros de precisão.

    Por outro lado, na titulação de uma amostra de ácido HCl com base NaOH usando um indicador de fenolftaleína, o principal erro na determinação da concentração original do ácido é provavelmente um dos seguintes: (1) a precisão das marcações na lateral da bureta (2) a faixa de transição do indicador de fenolftaleína ou (3) a habilidade do experimentador em dividir a última gota de NaOH. Assim, a precisão da determinação provavelmente será muito pior do que a precisão. Esse é frequentemente o caso de experimentos em química, mas certamente não todos.

    Pergunta: A maioria dos experimentos usa fórmulas teóricas e geralmente essas fórmulas são aproximações. O erro de aproximação é de precisão ou de exatidão?

    Há extensa literatura sobre os tópicos deste capítulo. O seguinte lista algumas introduções bem conhecidas.

    D.C. Baird, Experimentação: Uma Introdução à Teoria de Medição e Projeto Experimental (Prentice-Hall, 1962)

    E.M. Pugh e G.H. Winslow, A Análise de Medições Físicas (Addison-Wesley, 1966)

    J.R. Taylor, Uma introdução à análise de erros (University Science Books, 1982)

    Além disso, existe um documento da web escrito pelo autor de EDA que é usado para ensinar este tópico para alunos do primeiro ano de graduação em Física da Universidade de Toronto. O seguinte hiperlink aponta para esse documento.

    3.2 Determinando a precisão

    3.2.1 O Desvio Padrão

    No século XIX, os assistentes de Gauss estavam fazendo medições astronômicas. No entanto, eles nunca foram capazes de repetir exatamente seus resultados. Finalmente, Gauss ficou com raiva e invadiu o laboratório, alegando que mostraria a essas pessoas como fazer as medições de uma vez por todas. O único problema era que Gauss também não conseguia repetir suas medições com exatidão!

    Depois de recuperar a compostura, Gauss fez um histograma dos resultados de uma determinada medição e descobriu a famosa curva gaussiana ou em forma de sino.

    A primeira introdução de muitas pessoas a esta forma é a distribuição de notas para um curso. Aqui está um exemplo de tal distribuição, usando o EDA função EDAHistogram.

    Nós usamos um padrão Mathematica pacote para gerar uma Função de Distribuição de Probabilidade (PDF) de uma distribuição "Gaussiana" ou "normal". A média é escolhida para ser 78 e o desvio padrão é escolhido para ser 10, tanto a média quanto o desvio padrão são definidos abaixo.

    Em seguida, normalizamos a distribuição de forma que o valor máximo esteja próximo ao número máximo no histograma e plotamos o resultado.

    Neste gráfico, é a média e é o desvio padrão.

    Finalmente, olhamos para o histograma e plotamos juntos.

    Podemos ver a forma funcional da distribuição gaussiana fornecendo valores simbólicos de distribuição normal.

    Nesta fórmula, a quantidade é chamada de quer dizer, e é chamado de desvio padrão. o quer dizer às vezes é chamado de média. A definição de é a seguinte.

    Aqui, n é o número total de medições e x [[i]] é o resultado da medição número i.

    O desvio padrão é uma medida da largura do pico, o que significa que um valor maior fornece um pico mais amplo.

    Se olharmos para a área sob a curva de - a +, a área entre as barras verticais no gráfico gaussPlot, descobrimos que essa área é 68 por cento da área total. Assim, qualquer resultado x [[i]] escolhido aleatoriamente tem uma mudança de 68% por estar dentro de um desvio padrão da média. Podemos mostrar isso avaliando a integral. Por conveniência, escolhemos a média ser zero.

    Agora, nós numericalizamos isso e multiplicamos por 100 para encontrar a porcentagem.

    O único problema com o acima é que a medição deve ser repetida um número infinito de vezes antes que o desvio padrão possa ser determinado. Se n é menos do que infinito, só podemos estimar. Para n medições, esta é a melhor estimativa.

    A principal diferença entre esta estimativa e a definição é o denominador em vez de n. Isso é razoável, pois se n = 1 sabemos que não podemos determinar de forma alguma, pois com apenas uma medição não temos como determinar com que precisão uma medição repetida pode dar o mesmo resultado. Tecnicamente, a quantidade é o "número de graus de liberdade" da amostra de medições.

    Aqui está um exemplo. Suponha que devemos determinar o diâmetro de um pequeno cilindro usando um micrômetro. Repetimos a medição 10 vezes ao longo de vários pontos do cilindro e obtemos os seguintes resultados, em centímetros.

    O número de medidas é o comprimento da lista.

    A média ou média agora é calculada.

    Então, o desvio padrão é estimado em 0,00185173.

    Repetimos o cálculo em um estilo funcional.

    Observe que o pacote Statistics`DescriptiveStatistics`, que é padrão com Mathematica, inclui funções para calcular todas essas quantidades e muito mais.

    1. O desvio padrão foi associado ao erro em cada medição individual. A seção 3.3.2 discute como encontrar o erro na estimativa da média.

    2. Este cálculo do desvio padrão é apenas uma estimativa. Na verdade, podemos encontrar o erro esperado na estimativa,, (o erro na estimativa!).

    Conforme discutido em mais detalhes na Seção 3.3, isso significa que o verdadeiro desvio padrão provavelmente está na faixa de valores.

    Visto desta forma, é claro que os últimos dígitos nos números acima para ou não têm significado e, portanto, não são realmente significativos. Um EDA função ajusta esses algarismos significativos com base no erro.

    AdjustSignificantFigures é discutido mais detalhadamente na Seção 3.3.1.

    Existe outro tipo de erro associado a uma quantidade medida diretamente, denominado "erro de leitura". Referindo-se novamente ao exemplo da Seção 3.2.1, as medições do diâmetro foram realizadas com um micrômetro. O micrômetro específico usado tinha divisões de escala a cada 0,001 cm. Porém, foi possível estimar a leitura do micrômetro entre as divisões, e isso foi feito neste exemplo. Porém, há um erro de leitura associado a esta estimativa. Por exemplo, o primeiro ponto de dados é 1,6515 cm. Poderia ter 1,6516 cm em vez disso? Que tal 1,6519 cm? Não existe uma regra fixa para responder à pergunta: a pessoa que faz a medição deve adivinhar o quão bem ela consegue ler o instrumento. Uma estimativa razoável do erro de leitura deste micrômetro pode ser 0,0002 cm em um dia bom. Se o experimentador acordou até tarde na noite anterior, o erro de leitura pode ser 0,0005 cm.

    Uma questão importante e às vezes difícil é se o erro de leitura de um instrumento é "distribuído aleatoriamente". Erros de leitura aleatória são causados ​​pela precisão finita do experimento. Se um experimentador lê consistentemente o micrômetro 1 cm abaixo do valor real, então o erro de leitura não é aleatório.

    Para um instrumento digital, o erro de leitura é & plusmn metade do último dígito. Observe que isso pressupõe que o instrumento foi devidamente projetado para arredondar uma leitura corretamente no visor.

    Até agora, encontramos dois erros diferentes associados a uma quantidade medida diretamente: o desvio padrão e o erro de leitura. Então, qual é o erro real real de precisão na quantidade? A resposta é as duas coisas! No entanto, felizmente, quase sempre acontece que um será maior do que o outro, de modo que o menor dos dois pode ser ignorado.

    No exemplo do diâmetro que está sendo usado nesta seção, a estimativa do desvio padrão foi encontrada em 0,00185 cm, enquanto o erro de leitura foi de apenas 0,0002 cm. Assim, podemos usar a estimativa do desvio padrão para caracterizar o erro em cada medição. Outra maneira de dizer a mesma coisa é que a dispersão observada de valores neste exemplo não é contabilizada pelo erro de leitura. Se a dispersão observada fosse mais ou menos explicada pelo erro de leitura, não seria necessário estimar o desvio padrão, uma vez que o erro de leitura seria o erro em cada medição.

    Claro, tudo nesta seção está relacionado à precisão do experimento. A discussão sobre a precisão do experimento está na Seção 3.4.

    3.2.4 Rejeição de medições

    Freqüentemente, ao repetir as medições, um valor parece ser espúrio e gostaríamos de descartá-lo. Além disso, ao fazer uma série de medições, às vezes um valor aparece "fora da linha".Aqui, discutimos algumas diretrizes sobre a rejeição de medições. Informações adicionais aparecem no Capítulo 7.

    É importante enfatizar que todo o tópico de rejeição de medições é estranho. Alguns cientistas acham que a rejeição de dados é nunca justificado a menos que haja externo evidência de que os dados em questão estão incorretos. Outros cientistas tentam lidar com este tópico usando regras quase objetivas, como Chauvenetde Critério. Outros ainda, muitas vezes incorretamente, descartam quaisquer dados que pareçam estar incorretos. Nesta seção, alguns princípios e diretrizes são apresentados; mais informações podem ser encontradas em muitas referências.

    Em primeiro lugar, observamos que é incorreto esperar que cada medição se sobreponha aos erros. Por exemplo, se o erro em uma determinada quantidade é caracterizado pelo desvio padrão, esperamos que apenas 68% das medições de uma população normalmente distribuída estejam dentro de um desvio padrão da média. Noventa e cinco por cento das medições estarão dentro de dois desvios padrão, 99% dentro de três desvios padrão, etc., mas nunca esperamos que 100% das medições se sobreponham dentro de qualquer erro de tamanho finito para uma distribuição verdadeiramente Gaussiana.

    Claro, para a maioria dos experimentos, a suposição de uma distribuição gaussiana é apenas uma aproximação.

    Se o erro em cada medição for considerado o erro de leitura, novamente esperamos que a maioria, não todas, as medições se sobreponham aos erros. Neste caso, o significado de "mais", no entanto, é vago e depende do otimismo / conservadorismo do experimentador que atribuiu o erro.

    Portanto, é sempre perigoso descartar uma medição. Talvez tenhamos o azar de fazer uma medição válida que se encontra a dez desvios-padrão da média da população. Uma medida válida da cauda da distribuição subjacente não deve ser descartada. É ainda mais perigoso descartar um ponto suspeito indicativo de um processo físico subjacente. Muito pouca ciência seria conhecida hoje se o experimentador sempre jogasse fora medições que não correspondiam às expectativas pré-concebidas!

    Em geral, existem dois tipos diferentes de dados experimentais obtidos em um laboratório e a questão da rejeição de medições é tratada de maneiras ligeiramente diferentes para cada um. Os dois tipos de dados são os seguintes:

    1. Uma série de medições feitas com uma ou mais variáveis ​​alteradas para cada ponto de dados. Um exemplo é a calibração de um termopar, em que a tensão de saída é medida quando o termopar está em várias temperaturas diferentes.

    2. Medições repetidas da mesma quantidade física, com todas as variáveis ​​mantidas tão constantes quanto experimentalmente possível. Um exemplo é a medição da altura de uma amostra de gerânios cultivada em condições idênticas a partir do mesmo lote de estoque de sementes.

    Para uma série de medições (caso 1), quando um dos pontos de dados está fora de linha, a tendência natural é jogá-lo fora. Mas, como já foi mencionado, isso significa que você está assumindo o resultado que está tentando medir. Como regra geral, a menos que haja uma explicação física do motivo pelo qual o valor suspeito é espúrio e não esteja a mais de três desvios-padrão do valor esperado, ele provavelmente deve ser mantido. O Capítulo 7 trata mais detalhadamente deste caso.

    Para medições repetidas (caso 2), a situação é um pouco diferente. Digamos que você esteja medindo o tempo para um pêndulo passar por 20 oscilações e repita a medição cinco vezes. Suponha que quatro dessas tentativas estejam a 0,1 segundos uma da outra, mas a quinta tentativa difere destas por 1,4 segundos (ou seja, mais de três desvios padrão da média dos valores "bons"). Não há nenhuma razão conhecida pela qual uma medida difere de todas as outras. No entanto, você pode estar justificado em jogá-lo fora. Diga que, sem você saber, no momento em que a medição estava sendo feita, uma onda gravitacional varreu sua região do espaço-tempo. No entanto, se você está tentando medir o período do pêndulo quando não há ondas de gravidade afetando a medição, é razoável jogar fora esse resultado. (Embora tentar repetir a medição para descobrir a existência de ondas gravitacionais certamente será mais divertido!) Portanto, seja qual for o motivo para um valor suspeito, a regra é que ele pode ser descartado, desde que o fato seja bem documentado e que o a medição é repetida várias vezes mais para convencer o experimentador de que ele não está jogando fora um dado importante que indica um novo processo físico.

    3.3 Propagação de erros de precisão

    3.3.1 Discussão e exemplos

    Normalmente, os erros de precisão são probabilísticos. Isso significa que o experimentador está dizendo que o valor real de algum parâmetro é provavelmente dentro de um intervalo especificado. Por exemplo, se a meia largura do intervalo for igual a um desvio padrão, então a probabilidade é de cerca de 68% de que durante a experimentação repetida a verdadeira média cairá dentro do intervalo se a meia largura do intervalo for duas vezes o desvio padrão, o a probabilidade é 95%, etc.

    Se tivermos duas variáveis, diga x e y, e queremos combiná-los para formar uma nova variável, queremos o erro na combinação para preservar essa probabilidade.

    O procedimento correto para fazer isso é combinar erros em quadratura, que é a raiz quadrada da soma dos quadrados. EDA fornece uma função de quadratura.

    Para combinações simples de dados com erros aleatórios, o procedimento correto pode ser resumido em três regras. x, y, z representará os erros de precisão em x, y, e z, respectivamente. Nós assumimos que x e y são independentes um do outro.

    Observe que todas as três regras pressupõem que o erro, digamos x, é pequeno comparado ao valor de x.

    Regra 1: Multiplicação e divisão

    Em palavras, o erro fracionário em z é a quadratura dos erros fracionários em x e y.

    Regra 2: adição e subtração

    Em palavras, o erro em z é a quadratura dos erros em x e y.

    Regra 3: Elevando-se a um Poder

    EDA inclui funções para combinar dados usando as regras acima. Eles são chamados de TimesWithError, PlusWithError, DivideWithError, SubtractWithError e PowerWithError.

    Imagine que temos dados de pressão, medidos em centímetros de Hg, e dados de volume medidos em unidades arbitrárias. Cada ponto de dados consiste em <valor, erro> pares.

    Calculamos a pressão vezes o volume.

    Acima, os valores de p e v foram multiplicados e os erros foram combinados usando a Regra 1.

    Existe uma forma equivalente para este cálculo.

    Considere o primeiro dos dados de volume: <11,28156820762763, 0,031>. O erro significa que o valor verdadeiro é reivindicado pelo experimentador como provavelmente entre 11,25 e 11,31. Assim, todos os algarismos significativos apresentados à direita de 11,28 para esse ponto de dados não são realmente significativos. A função AdjustSignificantFigures ajustará os dados de volume.

    Observe que, por padrão, AdjustSignificantFigures usa os dois dígitos mais significativos no erro para ajustar os valores. Isso pode ser controlado com a opção ErrorDigits.

    Na maioria dos casos, o padrão de dois dígitos é razoável. Conforme discutido na Seção 3.2.1, se assumirmos uma distribuição normal para os dados, o erro fracionário na determinação do desvio padrão depende do número de pontos de dados usados ​​em seu cálculo, n, e pode ser escrito da seguinte maneira.

    Assim, usando isso como uma regra geral para todos os erros de precisão, a estimativa do erro é boa apenas para 10%, (ou seja uma figura significativa, a menos n é maior que 51). No entanto, manter dois algarismos significativos trata de casos como 0,035 vs. 0,030, onde algum significado pode ser atribuído ao dígito final.

    Você deve estar ciente de que quando um datum é massageado por AdjustSignificantFigures, os dígitos extras são descartados.

    Por padrão, TimesWithError e as outras funções * WithError usam a função AdjustSignificantFigures. O uso de AdjustSignificantFigures é controlado usando a opção UseSignificantFigures.

    O número de dígitos pode ser ajustado.

    podemos ser tentados a apenas fazer

    A razão pela qual isso está errado é que estamos presumindo que os erros nas duas quantidades sendo combinadas são independentes um do outro. Aqui existe apenas uma variável. O procedimento correto aqui é fornecido pela Regra 3 conforme discutido anteriormente, que reescrevemos.

    Isso é implementado na função PowerWithError.

    Finalmente, imagine que por algum motivo desejamos formar uma combinação.

    Podemos ser tentados a resolver isso da seguinte maneira.

    Novamente, isso está errado porque os dois termos na subtração não são independentes. Na verdade, a regra geral é que se

    Aqui está um exemplo resolvendo p / v - 4,9v. Devemos usar xey abaixo para evitar sobrescrever os símbolos pe v. Primeiro, calculamos a derivada total.

    Agora podemos avaliar usando os dados de pressão e volume para obter uma lista de erros.

    Em seguida, formamos a lista de pares .

    A função CombineWithError combina essas etapas com o ajuste de algarismos significativos padrão.

    A função pode ser usada no lugar das outras funções * WithError discutidas acima.

    Neste exemplo, a função TimesWithError será um pouco mais rápida.

    Há uma ressalva no uso de CombineWithError. A expressão deve conter apenas símbolos, constantes numéricas e operações aritméticas. Caso contrário, a função não será capaz de obter as derivadas da expressão necessária para calcular a forma do erro. As outras funções * WithError não têm essa limitação.

    3.3.1.1 Outra Abordagem para Propagação de Erros: O Dados e Datum Construtos

    O EDA fornece outro mecanismo para propagação de erros. Ao declarar listas de pares de como sendo do tipo Dados, a propagação de erros é tratada automaticamente.

    O wrapper de dados pode ser removido.

    A razão pela qual a saída dos dois comandos anteriores foi formatada como OutputForm é que EDA compõe os pares usando & plusmn para a saída StandardForm.

    Uma construção Datum semelhante pode ser usada com pontos de dados individuais.

    Assim como para Data, a composição de formato de padrão de Datum usa & plusmn.

    As construções Data and Datum fornecem propagação de erro "automática" para multiplicação, divisão, adição, subtração e elevação a uma potência. Outra vantagem dessas construções é que as regras integradas EDA sabe como combinar dados com constantes.

    As regras também sabem como propagar erros para muitas funções transcendentais.

    Esta regra assume que o erro é pequeno em relação ao valor, portanto podemos aproximar.

    As funções transcendentais, que podem aceitar argumentos Data ou Datum, são fornecidas por DataFunctions.

    Nós vimos isso EDA edita as construções Data e Datum usando & plusmn. A função PlusMinus pode ser usada diretamente e, desde que seus argumentos sejam numéricos, os erros serão propagados.

    Pode-se digitar o & plusmn na expressão de entrada e os erros serão novamente propagados.

    O mecanismo de entrada & plusmn pode combinar termos por adição, subtração, multiplicação, divisão, elevação a uma potência, adição e multiplicação por um número constante e o uso de DataFunctions. As regras usadas por EDA for & plusmn são apenas para argumentos numéricos.

    Isso torna o PlusMinus diferente do Datum.

    Aqui, justificamos a combinação de erros em quadratura. Embora não sejam provas no sentido matemático primitivo usual, estão corretas e podem ser tornadas rigorosas, se desejado.

    Primeiro, você já deve saber sobre o problema do "Passeio Aleatório", no qual um jogador começa no ponto x = 0 e a cada movimento dá um passo para frente (em direção a +x) ou para trás (em direção a -x) A escolha da direção é feita aleatoriamente para cada movimento, digamos, jogando uma moeda. Se cada etapa cobrir uma distância eu, então depois n passos a distância mais provável esperada do jogador da origem pode ser mostrada como

    Assim, a distância aumenta como a raiz quadrada do número de passos.

    Agora considere uma situação onde n medições de uma quantidade x são executados, cada um com um erro aleatório idêntico x. Encontramos a soma das medidas.

    Mas a soma dos erros é muito semelhante ao passeio aleatório: embora cada erro tenha magnitude x, é igualmente provável que seja +x Como -x, e que é essencialmente aleatório. Assim, o erro mais provável esperado na soma aumenta como a raiz quadrada do número de medições.

    Esse é exatamente o resultado obtido pela combinação dos erros em quadratura.

    Outra maneira semelhante de pensar sobre os erros é que, em um espaço de erro linear abstrato, os erros abrangem o espaço. Se os erros são probabilísticos e não correlacionados, os erros de fato são linearmente independentes (ortogonais) e, portanto, formam uma base para o espaço. Assim, esperaríamos que, para adicionar esses erros aleatórios independentes, teríamos que usar o teorema de Pitágoras, que é apenas combiná-los em quadratura.

    3.3.2 Encontrando o erro em uma média

    As regras para propagação de erros, discutidas na Seção 3.3.1, permitem encontrar o erro em uma média ou média de um número de medições repetidas. Lembre-se de que para calcular a média, primeiro a soma de todas as medições é encontrada, e a regra para adição de quantidades permite o cálculo do erro na soma. Em seguida, a soma é dividida pelo número de medições, e a regra de divisão das quantidades permite o cálculo do erro no resultado (ou seja, o erro da média).

    No caso em que o erro em cada medição tem o mesmo valor, o resultado da aplicação dessas regras de propagação de erros pode ser resumido como um teorema.

    Teorema: Se a medição de uma variável aleatória x é repetido n vezes, e a variável aleatória tem desvio padrão errx, então o desvio padrão na média é errx /.

    Prova: Um faz n medições, cada uma com erro errx.

    Calculamos o erro na soma.

    Esta última linha é a chave: ao repetir as medições n vezes, o erro na soma só aumenta como Sqrt [n].

    A média é dada pelo seguinte.

    Aplicando a regra de divisão, obtemos o seguinte.

    A quantidade chamada é geralmente chamada de "erro padrão da média da amostra" (ou "desvio padrão da média da amostra"). O teorema mostra que repetir uma medição quatro vezes reduz o erro pela metade, mas para reduzir o erro em um quarto, a medição deve ser repetida 16 vezes.

    Aqui está um exemplo. Na Seção 3.2.1, 10 medições do diâmetro de um pequeno cilindro foram discutidas. A média das medidas foi de 1,6514 cm e o desvio padrão de 0,00185 cm. Agora podemos calcular a média e seu erro, ajustados para algarismos significativos.

    Observe que apresentar este resultado sem um ajuste de algarismo significativo não faz sentido.

    O número acima indica que há um significado na centésima milionésima parte de um centímetro.

    Aqui está outro exemplo. Imagine que você está pesando um objeto em uma "balança com mostrador", na qual gira um mostrador até que o ponteiro se equilibre e, em seguida, lê a massa a partir da marca no mostrador. Você encontra m = 26,10 e mais 0,01 g. O 0,01 g é o erro de leitura da balança e é quase tão bom quanto você pode ler aquele determinado equipamento. Você remove a massa da balança, coloca de volta, pesa novamente e obtém m = 26,10 e mais 0,01 g. Você pede a uma amiga para experimentar e ela obtém o mesmo resultado. Você pede a outro amigo para pesar a massa e ele também obtém m = 26,10 e mais 0,01 g. Portanto, você tem quatro medições da massa do corpo, cada uma com um resultado idêntico. Você acha que o teorema se aplica neste caso? Se sim, você citaria m = 26,100 & plusmn 0,01 / Sqrt [4] = 26,100 & plusmn 0,005 g. Que tal se você saísse para a rua e começasse a trazer estranhos para repetir a medição, todos e cada um deles m = 26,10 e mais 0,01 g. Então, depois de algumas semanas, você tem 10.000 medições idênticas. O erro na massa, conforme medido naquela balança de $ 50, seria realmente o seguinte?

    O ponto é que essas regras de estatísticas são apenas um guia aproximado e em uma situação como este exemplo, onde provavelmente não se aplicam, não tenha medo de ignorá-las e usar seu "senso incomum". Neste exemplo, apresentando seu resultado como m = 26,10 & plusmn 0,01 g é provavelmente a coisa razoável a fazer.

    3.4 Calibração, precisão e erros sistemáticos

    Na Seção 3.1.2, fizemos a distinção entre erros de precisão e exatidão imaginando que havíamos realizado uma medição de tempo com um relógio de pêndulo muito preciso, mas definimos seu comprimento incorretamente, levando a um resultado impreciso. Aqui, discutimos esses tipos de erros de precisão. Para ter uma ideia de como esse comprimento errado pode surgir, você pode tentar comparar as escalas de duas réguas feitas por empresas diferentes e discrepâncias mdash de 3 mm por 30 cm são comuns!

    Se tivermos acesso a uma régua em que confiamos (ou seja, um "padrão de calibração"), podemos usá-lo para calibrar outra régua. Uma maneira razoável de usar a calibração é que, se nosso instrumento medir xO e os registros padrão xS, então podemos multiplicar todas as leituras de nosso instrumento por xS/xO. Como a correção geralmente é muito pequena, ela praticamente nunca afetará o erro de precisão, que também é pequeno. Os padrões de calibração são, quase por definição, muito delicados e / ou caros para usar para medição direta.

    Aqui está um exemplo. Estamos medindo uma tensão usando um multímetro analógico Philips, modelo PM2400 / 02. O resultado é 6,50 V, medido na escala de 10 V, e o erro de leitura é decidido como 0,03 V, que é 0,5%. A repetição da medição dá resultados idênticos. É calculado pelo experimentador que o efeito do voltímetro no circuito sendo medido é inferior a 0,003% e, portanto, insignificante. No entanto, o fabricante do instrumento afirma apenas uma precisão de 3% da escala total (10 V), que aqui corresponde a 0,3 V.

    Agora, o que essa precisão reivindicada significa é que o fabricante do instrumento afirma controlar as tolerâncias dos componentes dentro da caixa até o ponto em que o valor lido no medidor estará dentro de 3% vezes a escala do valor real. Além disso, este não é um erro aleatório que um dado medidor irá supostamente sempre ler muito alto ou muito baixo quando as medições são repetidas na mesma escala. Portanto, repetir as medições não reduzirá esse erro.

    Um outro problema com essa precisão é que, embora a maioria dos bons fabricantes (incluindo a Philips) tenda a ser bastante conservadora e fornecer especificações confiáveis, existem alguns fabricantes que possuem as especificações escritas pelo departamento de vendas em vez do departamento de engenharia. E mesmo a Philips não consegue levar em conta que talvez a última pessoa a usar o medidor o tenha derrubado.

    No entanto, neste caso, é provavelmente razoável aceitar a precisão reivindicada pelo fabricante e tomar a tensão medida como 6,5 e mais 0,3 V. Se você quiser ou precisar saber a tensão melhor do que isso, existem duas alternativas: use um melhor, mais voltímetro caro para fazer a medição ou calibrar o medidor existente.

    Usar um voltímetro melhor, é claro, dá um resultado melhor. Digamos que você usou um multímetro digital Fluke 8000A e mediu a tensão em 6,63 V. No entanto, você ainda está na mesma posição de ter que aceitar a precisão declarada pelo fabricante, neste caso (0,1% da leitura + 1 dígito) = 0,02 V. Para fazer melhor do que isso, você deve usar um voltímetro ainda melhor, o que novamente requer aceitar a precisão desse instrumento ainda melhor e assim por diante, ad infinitum, até que você fique sem tempo, paciência ou dinheiro.

    Digamos que decidamos calibrar o medidor Philips usando o medidor Fluke como padrão de calibração. Em geral, esse procedimento só se justifica se um grande número de medições for realizado com o medidor Philips. Por que gastar meia hora calibrando o medidor Philips para apenas uma medição quando você pode usar o medidor Fluke diretamente?

    Medimos quatro tensões usando os medidores Philips e Fluke. Para o instrumento Philips, não estamos interessados ​​em sua precisão, é por isso que estamos calibrando o instrumento. Portanto, usaremos o erro de leitura do instrumento Philips como o erro em suas medições e a precisão do instrumento Fluke como o erro em suas medições.

    Formamos listas dos resultados das medições.

    Podemos examinar as diferenças entre as leituras dividindo os resultados do Fluke pelo Philips ou subtraindo os dois valores.

    O segundo conjunto de números está mais próximo do mesmo valor do que o primeiro, portanto, neste caso, adicionar uma correção à medição Philips é talvez mais apropriado do que multiplicar por uma correção.

    Formamos um novo conjunto de dados de formato <philips, cor2>.

    Podemos supor, então, que para uma medição Philips de 6,50 V, o fator de correção apropriado é 0,11 e mais 0,04 V, onde o erro estimado é uma estimativa baseada em parte no medo de que a imprecisão do medidor possa não ser tão suave quanto os quatro pontos de dados indicar. Assim, a leitura corrigida de Philips pode ser calculada.

    (Você pode querer saber que todos os números neste exemplo são dados reais e que quando o medidor Philips leu 6,50 V, o medidor Fluke mediu a tensão como sendo 6,63 e mais 0,02 V.)

    Finalmente, mais uma sutileza: a lei de Ohm afirma que a resistência R está relacionado com a tensão V e o atual eu através do resistor de acordo com a seguinte equação.

    Imagine que estamos tentando determinar uma resistência desconhecida usando essa lei e usando o medidor Philips para medir a tensão. Essencialmente, a resistência é a inclinação de um gráfico de tensão versus corrente.

    Se o medidor Philips estiver medindo sistematicamente todas as tensões muito grandes em, digamos, 2%, esse erro sistemático de precisão não terá efeito na inclinação e, portanto, não terá efeito na determinação da resistência R. Portanto, neste caso e para esta medição, podemos estar perfeitamente justificados em ignorar a imprecisão do voltímetro inteiramente e usar o erro de leitura para determinar a incerteza na determinação de R.


    ACT Science: como encontrar design experimental em biologia

    Um experimento científico é realizado para testar se o cálcio pode afetar a regulação dos genes. Os cientistas levantam a hipótese de que altos níveis de cálcio interagiriam com as proteínas Cs3 e Gfy, o que por sua vez aumentaria a transcrição dos genes F4597 e BC392. O procedimento do experimento é resumido abaixo.

    1. Isole os genes F4597 e BC392.
    2. Crie um vetor dentro das células de levedura contendo os dois genes
    3. Cultura de células de levedura
    4. Cultive células de levedura em diferentes meios de crescimento - um meio sem cálcio (placa A) e um meio com cálcio suplementado (placa B)

    O que poderia ser alterado para fortalecer o design do experimento?

    Saia da etapa de análise da interação de proteínas e concentre-se apenas nos efeitos do cálcio na atividade dos genes F4597 e BC392

    Use outra substância em vez de cálcio como variável independente

    Nada poderia ser alterado para fortalecer o experimento de design.

    Olhando para apenas uma interação proteína-gene

    Ter uma placa de controle permitiria aos pesquisadores saber se os vetores foram feitos corretamente e se as células de levedura eram saudáveis ​​e capazes de crescer independentemente da variabilidade do cálcio.

    Exemplo de pergunta # 544: Act Science

    Na década de 1980, uma epidemia de encefalopatia espongiforme bovina, ou Doença da vaca louca, varreu rebanhos de gado no Reino Unido. Cientistas e veterinários estavam preocupados e tinham dificuldade em controlar a doença porque ela se espalhava de um animal para outro e se comportava de maneira diferente de outras doenças no passado.

    Quando o material infeccioso dos animais afetados foi tratado com altos níveis de radiação, por exemplo, o material permaneceu infeccioso. Todas as bactérias ou vírus conhecidos que transmitem doenças teriam sido mortos por tal tratamento. Além disso, alguns animais desenvolveram a doença sem primeiro serem expostos a animais doentes. Talvez o mais frustrante seja que, entre os animais expostos antes de adoecerem, pode levar muitos anos para o aparecimento da doença após a exposição.

    Rapidamente surgiram duas explicações distintas para a doença.

    A doença da vaca louca é diferente de todas as doenças que já enfrentamos. Está cada vez mais claro que a melhor explicação para a dinâmica da doença envolve proteínas, chamadas de hipótese apenas de proteína. Essas moléculas de proteína são provavelmente causadoras da doença e não têm DNA ou RNA. É o dano a essas moléculas de DNA ou RNA que mata bactérias ou vírus quando expostos a altos níveis de radiação. As observações mais importantes que fizeram os cientistas considerarem um modelo único e exclusivo de proteína para esta doença envolveu sua resistência à radiação. Notavelmente, este seria o primeiro exemplo de um agente infeccioso que se copia sem DNA ou RNA para mediar o processo.

    Além disso, alguns animais desenvolvem a doença de forma espontânea, sem serem fisicamente infectados por outro animal. Isso sugere que o distúrbio interno entre as moléculas de proteína é uma rota potencial para o desenvolvimento de doenças e pode ser acelerado pela exposição a outros animais doentes.

    Na verdade, isso é consistente com o mecanismo proposto. É provável que as proteínas se dobrem incorretamente e, em seguida, influenciem as proteínas ao seu redor para assumir essa conformação errônea. Algumas proteínas podem se dobrar incorretamente por acaso, o que explica o desenvolvimento espontâneo da doença. Também explica o longo curso da doença, pois leva muitos anos para que proteínas suficientes se dobrem incorretamente e resultem em doenças observáveis.

    A sugestão de que a doença da vaca louca é causada exclusivamente por proteínas, na ausência de DNA ou RNA, é um afastamento tão dramático dos processos biológicos aceitos que merece um exame cuidadoso. Além disso, outras explicações mais convencionais devem ser investigadas minuciosamente antes de chegar a tal conclusão.

    Alguns cientistas demonstraram que partículas muito pequenas semelhantes a vírus são visíveis em materiais infecciosos sob microscópios poderosos. Além disso, esses vírus são consistentes em tamanho e forma com vírus conhecidos altamente resistentes à radiação, chamados poliomavírus. São necessárias doses de radiação muito maiores do que as normais para causar danos ao DNA suficientes para inativar esses vírus.

    A observação de que a doença da vaca louca ocorre espontaneamente em alguns animais também é explicada pela explicação viral. Muitos vírus existem em animais e humanos há anos, sem serem detectados e sem causar nenhuma doença observável. Doença ou estresse podem fazer com que esses vírus se reativem, dando a ilusão de doença espontânea. Todas essas observações são consistentes com o hipótese viral.

    Suponha que um cientista deseje conduzir um experimento para verificar a presença de DNA ou RNA em uma amostra de uma vaca com a doença da vaca louca. Ele decide comparar sua amostra com uma amostra que é conhecida por conter DNA e sujeita ambas ao mesmo teste. Esta amostra conhecida é melhor descrita como:


    Como modelar matematicamente o câncer?

    Estou pensando em fazer um projeto extenso para a escola que usa modelagem matemática, especificamente equações diferenciais ordinárias, para modelar ou prever os efeitos de uma terapia no crescimento do tumor. Como eu faria isso? Dê qualquer conselho sobre qualquer um dos seguintes:
    como construir modelos matemáticos (qual seria o processo típico neste caso)
    Como modelar um tumor - entendo que poderia usar uma função exponencial, logística ou gompertz para modelar o crescimento em circunstâncias normais, mas qualquer conselho extra sobre isso seria bem-vindo

    Como eu modelaria a terapia (vejamos a quimioterapia neste exemplo, embora, se não for muito difícil, tentarei modelar outras mais recentes). Que tipo de função eu usaria para isso e por quê? (esta é provavelmente uma das principais coisas com as quais estou lutando). Vou precisar mostrar o efeito disso no tumor, é claro.

    Onde posso encontrar dados experimentais para o crescimento de tumores com um tratamento (pode realmente ser qualquer). Estou lutando para encontrar isso, então todos os sites seriam muito apreciados.

    Ao modelar, especialmente para observar / prever o efeito de uma droga, você geralmente encontra dados experimentais e começa a construir seu modelo em torno deles ou construiria um modelo e depois encontraria alguns dados que correspondessem a isso.

    Peço desculpas se algumas das perguntas forem formuladas incorretamente, ainda sou muito novo nisso e realmente quero me desafiar e fazer um projeto como este para o meu projeto da sexta série (não é um EPQ, pois não será avaliado, mas pode desempenhar uma função semelhante na minha inscrição para a universidade)


    Navegue pelo esboço completo

    Nesse caso, a probabilidade de um evento está sendo determinada por meio de um experimento real. Matematicamente,

    Probabilidade experimental

    =

    Número de ocorrências de eventos

    Número total de tentativas

    Por exemplo, se um dado é lançado 6.000 vezes e o número & # 395 & # 39 ocorre 990 vezes, então a probabilidade experimental de que & # 395 & # 39 apareça nos dados é 990/6000 = 0,165.

    Por outro lado, a probabilidade teórica é determinada observando-se teoricamente todos os resultados possíveis e determinando a probabilidade de um determinado resultado. Matematicamente,

    Probabilidade teórica

    =

    Número de resultados favoráveis

    Número total de resultados

    Por exemplo, a probabilidade teórica de que o número & # 395 & # 39 apareça em um dado quando lançado é 1/6 = 0,167. Isso ocorre por causa dos 6 resultados possíveis (dados mostrando & # 391 & # 39, & # 392 & # 39, & # 393 & # 39, & # 394 & # 39, & # 395 & # 39, & # 396 & # 39), apenas 1 o resultado (dados mostrando & # 395 & # 39) é favorável.

    À medida que o número de tentativas continua aumentando, a probabilidade experimental tende para a probabilidade teórica. Para ver isso, o número de tentativas deve ser suficientemente grande em número.

    A probabilidade experimental é freqüentemente usada em pesquisas e experimentos de ciências sociais, ciências comportamentais, economia e medicina.

    Nos casos em que a probabilidade teórica não pode ser calculada, precisamos confiar na probabilidade experimental.

    Por exemplo, para descobrir a eficácia de uma determinada cura para um patógeno em camundongos, simplesmente pegamos vários camundongos com o patógeno e injetamos nossa cura.

    Em seguida, descobrimos quantos ratos foram curados e isso nos daria a probabilidade experimental de que um rato está curado para ser a razão entre o número de ratos curados e o número total de ratos testados.

    Nesse caso, não é possível calcular a probabilidade teórica. Podemos então estender essa probabilidade experimental a todos os ratos.

    Deve-se notar que, para que a probabilidade experimental seja significativa na pesquisa, o tamanho da amostra deve ser suficientemente grande.

    Em nosso exemplo acima, se testarmos nossa cura em 3 ratos e todos eles forem curados, a probabilidade experimental de que um rato seja curado é 1. No entanto, o tamanho da amostra é muito pequeno para concluir que a cura funciona em 100% de os casos.



Comentários:

  1. JoJole

    Nada estranho.

  2. Mashura

    Que palavras ... a frase fenomenal, admirável

  3. Kenn

    Isso pode ser parafraseado?

  4. Devisser

    Bravo, que a frase necessária..., a brilhante ideia

  5. Mikakinos

    Eu confirmo. Foi e comigo. Podemos nos comunicar sobre este tema.

  6. Haligwiella

    mensagem muito útil



Escreve uma mensagem