Pular para o conteúdo
Skillpedia
Análise e planilhas51 mil · #1997

uncertainty-and-units

Ajuda seu agente a rastrear unidades e incertezas em cálculos científicos. É útil para garantir a precisão em experimentos e relatórios científicos.

O que ela faz

Esta ferramenta ajuda a garantir que seus cálculos científicos estejam corretos em relação a unidades (como metros, segundos) e incertezas (o quão confiável é um número). Ela converte unidades, calcula a propagação de erros e apresenta os resultados de forma clara.

Quando usar

  • ✓Ao converter unidades em cálculos científicos.
  • ✓Ao calcular a incerteza de um resultado a partir de várias medições.
  • ✓Ao apresentar resultados de medições de forma que a incerteza seja compreendida.

Exemplo do que pedir para a IA

“Converta 10 quilômetros por hora para metros por segundo e me diga a incerteza.”

Quer saber mais? Abra as seções abaixo.

Como usar

O jeito mais fácil: copie a mensagem abaixo e cole no Claude, ChatGPT, Cursor ou outra IA. Ela lê a skill e segue as instruções.

Link da skill

https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/uncertainty-and-units/SKILL.md

Mensagem pronta para colar

Use esta skill para me ajudar: https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/uncertainty-and-units/SKILL.md Leia o arquivo SKILL.md desse link e siga as instruções dele na minha tarefa.
Como funciona

A ferramenta usa bibliotecas especializadas para rastrear unidades e incertezas durante os cálculos. Ela garante que as unidades sejam tratadas corretamente e que a incerteza seja propagada de acordo com métodos científicos estabelecidos.

Instalação

Jeito mais fácil: copie o link da skill e cole no Claude, ChatGPT ou Cursor pedindo para seguir as instruções.

No terminal (Claude Code, Codex, Cursor), na pasta do projeto:

npx skills add K-Dense-AI/scientific-agent-skills --skill uncertainty-and-units

Ou baixe só o arquivo:

curl -L https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/main/skills/uncertainty-and-units/SKILL.md -o SKILL.md
Conteúdo técnico (SKILL.md)

Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.

Incerteza e unidades

Escopo

Use esta habilidade sempre que um cálculo envolver unidades físicas ou um número reportado precisar de uma incerteza. Concretamente:

  • converter entre unidades, incluindo conversões que necessitam de um contexto físico (comprimento de onda para energia de fóton, massa para quantidade de substância, energia para temperatura);
  • propagar incerteza através de um modelo de medição, com ou sem entradas correlacionadas;
  • construir um orçamento de incerteza GUM a partir de certificados de calibração, especificações e dados de repetibilidade;
  • escolher um fator de cobertura e decidir se k = 2 é defensável;
  • arredondar e escrever um resultado para que um leitor saiba o que a ± significa;
  • extrair incertezas de parâmetros de um ajuste de curva sem descartar correlações;
  • revisar código de análise existente para defeitos silenciosos de unidade e incerteza;
  • verificar se uma resposta dimensionalmente consistente também é fisicamente possível — a ordem de magnitude, o grupo adimensional e o regime que ela implica.

Esta habilidade abrange a metrologia e as duas bibliotecas que a implementam. Ela não abrange inferência estatística, seleção de modelo ou design de estudo — veja statistical-analysis, statistical-power e experimental-design.

Versão atual e instalação

Verificado em 2026-10-01:

  • pint 0.26.1, lançado em 2026-09-10; requer Python 3.12+.
  • uncertainties 3.2.3, lançado em 2025-04-21; requer Python 3.8+.
  • NumPy 2.5.3 e SciPy 1.18.1; ambos requerem Python 3.12+.
  • scipy.constants em SciPy 1.18.1 serve CODATA 2022. SciPy 1.11 e anteriores serviam CODATA 2018; a mudança para CODATA 2022 ocorreu em SciPy 1.15.
uv venv --python 3.13
source .venv/bin/activate
uv pip install "pint==0.26.1" "uncertainties==3.2.3" "numpy==2.5.3" "scipy==1.18.1"

pint-pandas e pint-xarray adicionam colunas e arrays cientes de unidades e são instalações separadas.

Fluxo de trabalho inegociável

  1. Anexe unidades na entrada e remova-as apenas na saída. Converta nas fronteiras das funções com ureg.wraps ou m_as("unit"), nunca no meio do cálculo.
  2. Escreva o modelo de medição explicitamente antes de calcular qualquer coisa, incluindo correções cujo valor estimado é zero. Uma correção omitida do modelo deixa sua incerteza fora do orçamento.
  3. Forneça quatro coisas para cada entrada: uma estimativa, uma incerteza padrão, a distribuição da qual a incerteza veio e seus graus de liberdade.
  4. Converta declarações Tipo B com o divisor correto. A incerteza expandida de um certificado divide pelo seu k declarado; limites retangulares dividem por sqrt(3).
  5. Identifique correlações antes de combinar. Uma calibração compartilhada, correção de instrumento ou ajuste pode induzir correlação; quantifique componentes compartilhados em vez de assumir que cada par está correlacionado.
  6. Calcule os coeficientes de sensibilidade e leia o orçamento de c_i * u(x_i) em vez das incertezas brutas.
  7. Verifique a linearização. Compare distribuições propagadas com o intervalo GUM em caso de dúvida. Estabeleça a estabilidade numérica de Monte Carlo antes de uma afirmação da cláusula 8 do JCGM 101; nenhum método valida o modelo de medição ou os PDFs de entrada atribuídos.
  8. Justifique a cobertura. Um fator t de Student de graus de liberdade efetivos é uma aproximação que requer suposições distribucionais adequadas.
  9. Arredonde a incerteza primeiro, depois o valor para a mesma casa decimal.
  10. Declare o que a ± é — padrão ou expandida, com k, a probabilidade de cobertura e o método.
  11. Verifique a magnitude antes de reportar. Um resultado dimensionalmente consistente pode ainda ser impossível. Compare-o com uma escala conhecida ou um grupo adimensional e confirme se todas as suposições em que você se baseou ainda são válidas nesse regime.

As falhas que esta habilidade existe para prevenir

Cada um dos seguintes executa sem erro e produz um número plausível.

Uma unidade removida em uma escala desconhecida

length = (12.7 * ureg.mm).magnitude          # 12.7 -- of what?
length = (12.7 * ureg.mm).m_as("m")          # 0.0127 metres, stated

.magnitude retorna o que a quantidade por acaso estava carregando. Nomeie a unidade no ponto de extração, todas as vezes.

Aritmética de temperatura com offset

Q(20, "degC") + Q(5, "degC")     # OffsetUnitCalculusError -- correctly refused
Q(20, "degC") + Q(5, "delta_degC")   # 25 degree_Celsius
Q(25, "degC") - Q(20, "degC")        # 5 delta_degree_Celsius

…

Perguntas frequentes

O que são unidades físicas?

São padrões para medir grandezas como comprimento (metros), tempo (segundos) ou massa (quilogramas).

O que é incerteza de medição?

É uma indicação do intervalo em torno de um valor medido, dentro do qual se espera que o valor verdadeiro se encontre com uma certa probabilidade.

Por que é importante rastrear unidades e incertezas?

Para garantir a precisão, a comparabilidade e a confiabilidade dos resultados científicos, evitando erros comuns em cálculos complexos.

Detalhes

Descrição original do autor

Tracks physical units and propagates measurement uncertainty in scientific calculations using pint and uncertainties. Use for unit conversion and dimensional checking, GUM uncertainty budgets, Type A and Type B evaluation, coverage factors and expanded uncertainty, Monte Carlo propagation, significant-figure and plus-minus reporting, error propagation through curve fits, CODATA constants, auditing

repo: K-Dense-AI/scientific-agent-skills

Popularidade

Estrelas no GitHub
51 mil
Posição no ranking
#1997
Licença
MIT
Atualizada em
15/10/2026

Essa skill é útil?

0

Entre para votar.

Comentários

  • …

Mais skills deste repositório

Skills parecidas