Cómo ejecutar una comparación 01 Elige un preajuste o escribe un modelo. Los preajustes incluyen y = x², x₁·x₂ y el péndulo, así que los fallos interesantes están a un clic. 02 Da una distribución a cada entrada. Normal, rectangular, triangular, t escalada y desplazada, log-normal o arcoseno, con ν donde se conozca. 03 Configura M, la semilla y la cobertura. El valor por defecto es 100 000 ensayos, semilla 20250101 y 95 %. 04 Lee ambas filas. y, u(y), el intervalo simétrico y las diferencias §8; el texto del veredicto dice cómo interpretarlas. 05 Decide qué informar. Cuando las diferencias de extremos queden dentro de la tolerancia, cita el resultado de primer orden; cuando la superen, cita Monte Carlo.
Ejemplo resuelto Semilla 20250101, M = 100 000, cobertura del 95 %; δ es la tolerancia numérica §8 sobre la desviación estándar.
Modelo
u(y) GUM
u(y) MC
Intervalo MC del 95 %
Diferencias de extremos frente a δ = 5.00e-2
Veredicto
x^2, x ~ N(0, 1)
0
1,41508161
[0,00092727, 5,05221926]
9,27e-4 / 5,05 — coinciden: no
no lineal: usar MC (asimetría 2,7978 )
x1 * x2, N(10, 1), N(5, 0,5)
7,07106781
7,0995449
[36,9247005, 64,60907171]
7,84e-1 / 7,50e-1 — no resuelto con esta M
subir M
x1 + x2 + x3 + x4, cuatro N(0, 1)
2
2,00529595
[−3,90620878, 3,96027218]
1,37e-2 / 4,03e-2 — dentro de δ
primer orden validado
El preajuste del cuadrado es el fallo más limpio de toda la sección de ciencias: en x = 0 la derivada 2x se anula, así que la fila GUM lee u = 0 y un intervalo de ancho cero, mientras que la distribución verdadera es tipo χ² con media 1,00083028 , desviación estándar 1,41508161 y un intervalo del 95 % desde 0,00092727 hasta 5,05221926 . Monte Carlo también reconoce la forma: asimetría 2,7978 y un intervalo más corto [0 , 3,84543713 ] mucho más estrecho que el simétrico.
El test §8 y lo que necesita JCGM 101 §8 fija una tolerancia numérica δ = ½·10^l, donde u(y) = c·10^l con c un entero del número de dígitos elegido — 5,00e-2 para estos ejemplos. El resultado de primer orden solo se valida si ambos extremos del intervalo difieren de los extremos de Monte Carlo en no más de δ. Dos condiciones deben cumplirse para que esa comparación signifique algo: el ruido de Monte Carlo debe ser pequeño frente a δ, y los intervalos deben ser del mismo tipo. La pestaña también informa si la comparación está resuelta — requiere δ ≥ 3× el ruido de muestreo u(y)/√M —, porque con M pequeña el veredicto cambia al azar en lugar de medir la no linealidad. El preajuste del cuadrado permanece resuelto de M = 10⁴ a 10⁶ mientras falla la coincidencia todas las veces; la u del preajuste del producto difiere del valor GUM en solo 0,4011 % del valor de Monte Carlo (la pestaña mide la diferencia contra u_MC), pero su veredicto con M = 100 000 es no resuelto , porque las diferencias de extremos (0,784 y 0,750 ) empequeñecen a δ y el ruido (2,25e-2 ) es demasiado grande para una decisión limpia.
Límites y lo que no hace
Monte Carlo es tan bueno como las distribuciones de entrada. Una distribución rectangular no es una normal con la misma σ, y el intervalo de cobertura cambia de forma en consecuencia — véanse las cuatro entradas uniformes, cuyo intervalo [−3,86488045, 3,90530028] es más estrecho que el ±3,92 del caso normal con la misma u.
El modelo debe ser una expresión tipada. Las correlaciones entran como una matriz introducida explícitamente; una medición cuyas entradas comparten una deriva sin correlación registrada es silenciosamente optimista.
La trampa: una diferencia minúscula de u no es un aprobado Las desviaciones estándar del preajuste del producto difieren en solo un 0,4011 % del valor de Monte Carlo — lo bastante poco para parecer coincidencia —, pero la comprobación §8 compara intervalos, no u, y falla. A la inversa, la coincidencia puede ser casualidad de una M favorable: antes de citar un veredicto validado, lee la línea de resolución. La tercera trampa vive en el cero del preajuste del cuadrado: u = 0 no es una afirmación fuerte, es la linealización informando de que la pendiente es plana en el punto de evaluación, lo que no dice nada sobre la dispersión a 1,4 unidades de distancia.
Dónde se usa Informes de calibración y ensayo Un informe que cita una incertidumbre linealizada para un modelo curvo puede estar equivocado en el segundo dígito. Ejecutar ambos métodos y adjuntar el veredicto §8 hace auditable la elección del resultado.
Enseñar por qué las derivadas no bastan Los preajustes del cuadrado y del producto son lo bastante pequeños para calcularlos a mano: uno muestra una derivada que se anula, el otro el término u₁²u₂² que falta. Convierten «usa Monte Carlo» de eslogan en un fallo demostrado.
Privacidad El análisis, el muestreo y la comparación se ejecutan en tu navegador con un generador con semilla; el modelo y las entradas nunca se suben.
Referencias
BIPM JCGM, JCGM 100:2008 — el método GUM de primer orden. bipm.org (访问日期:2026-10-07)
BIPM JCGM, JCGM 101:2008 — propagación Monte Carlo, §7.9 tolerancia y §8 validación. bipm.org (访问日期:2026-10-07)
NIST, Technical Note 1297 — evaluación y expresión de la incertidumbre. nist.gov (访问日期:2026-10-07)
Wikipedia, Propagation of uncertainty — la linealización y su fallo. en.wikipedia.org (访问日期:2026-10-07)
Wikipedia, Monte Carlo method — muestrear a través de un modelo. en.wikipedia.org (访问日期:2026-10-07)
Calculators in this hub
Hand-picked tools, one click away. The mini versions compute live and carry your values into the full calculator.
Sources & review
Updated 2026-10-07