testes do MCSamples

LabIFSC2/_medida.py

@@ -20,7 +20,8 @@
 @obrigar_tipos
 def alterar_monte_carlo_samples(novo_valor:int) -> None:
     global MCSamples
-    assert novo_valor>0, "MCSamples deve ser maior que 0"
+    if novo_valor<=0:
+        raise ValueError("MCSamples deve ser maior que 0")
     MCSamples=novo_valor
     return None
 
@@ -38,6 +39,7 @@ def montecarlo(func : Callable,*parametros : 'Medida',) -> 'Medida':
         resultado=Medida(mean.magnitude,std.magnitude,str(histograma.units))
     else:
         resultado=Medida(mean,std,"")
+    resultado._histograma=histograma
     return resultado
 
 class Medida:

docs/propagacao_de_erros.md

@@ -1,3 +1,9 @@
+!!! warning
+    A leitura dessa parte da documentação não é obrigatória para o uso da biblioteca, caso sinta que a matemática/estatística é muito complexa, sinta-se livre para pular. Mas caso queira realmente entender como as coisas funcionam por baixo dos panos essa secção é pra você.
+
+
+
+
 Nesta seção, explicarei em mais detalhes como a biblioteca propaga incertezas, o método usado é mais geral, mas ainda assim compatível com o da apostila. Nos testes unitários da biblioteca, comparamos os erros calculados pelo LabIFSC2 com as bibliotecas [uncertainties](https://pythonhosted.org/uncertainties/) e [LabIFSC](https://github.com/gjvnq/LabIFSC), chegando a um acordo geralmente de \(10^{-3}\) para erros pequenos, onde os métodos devem ser equivalentes.
 
 ## Apostila
@@ -58,6 +64,12 @@ Repare como \(T\) e \(L\) são gaussianas (\(\mu_L=15cm\), \(\sigma_L=1cm\)) e (
 Já o histograma de \(g\) é centralizado em \(10m/s²\), mas observe que ele possui uma cauda para a direita. A distribuição não é simétrica, logo, não é gaussiana. Se usássemos \(g\) para outros cálculos, esse desvio de uma gaussiana provavelmente iria se amplificando. Esse fato não é observado no método GUM, que assume linearidade e basicamente tudo é uma gaussiana.
 
 
+!!! tip
+    Por padrão a biblioteca utiliza \(N=10^5\) amostras, acredito que esse seja um número que vá satisfazer a maioria das aplicações e não trazer problemas de performance para a biblioteca, mas caso queira alterar esse número é só usar
+    `alterar_monte_carlo_sample`, por enquanto Medidas com N diferentes não se interagem corretamente (pense o que isso significa), então se quiser mudar esse número é recomendado alterar no começo do código ou as varíaveis usadas só terem escopo dentro dessa alteração do N
+
+
+
 
 [^1]: O método GUM é amplamente utilizado em metrologia e calibragem de equipamentos. Existem diversas referências para quem quiser aprender mais. Eu, pessoalmente, achei um material introdutório e interessante em:
 

mkdocs.yml

@@ -47,6 +47,7 @@ extra_javascript:
   - https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.4/MathJax.js?config=TeX-AMS-MML_HTMLorMML
 markdown_extensions:
   - pymdownx.highlight:
+  - admonition
   - pymdownx.inlinehilite
   - pymdownx.snippets
   - pymdownx.superfences

tests/test_MCSamples.py

@@ -0,0 +1,25 @@
+import pytest
+
+from LabIFSC2 import *
+
+
+def test_operacoes_incompativeis():
+    x=Medida(10,0.1,'m')
+    x=x*x
+    alterar_monte_carlo_samples(10_000)
+    y=Medida(10,0.1,'m')
+    y=y*y
+    with pytest.raises(ValueError):
+        x+y
+    with pytest.raises(ValueError):
+        alterar_monte_carlo_samples(0)
+    with pytest.raises(ValueError):
+        alterar_monte_carlo_samples(-3)
+def test_especionando_histograma():
+    alterar_monte_carlo_samples(100_000)
+    x=Medida(10,0.1,'m')
+    assert len(x.histograma)==100_000
+    alterar_monte_carlo_samples(10_000)
+    y=Medida(10,0.1,'m')
+    assert len(y.histograma)==10_000
+    alterar_monte_carlo_samples(100_000)

tests/test_doc_gravidade_histograma.py

@@ -1,5 +1,7 @@
 import matplotlib.pyplot as plt
+import numpy as np
 from matplotlib.gridspec import GridSpec
+from scipy.stats import norm
 
 from LabIFSC2 import *
 
@@ -12,41 +14,47 @@
 histograma_L = L.histograma
 histograma_T = T.histograma
 
-#(...) bastante matplotlib para ficar bonito 
+# Configurando o estilo do plot
 plt.style.use('ggplot')
 
-# Obtendo os histogramas
-
-
 # Criando a grade personalizada
-fig = plt.figure()
+fig = plt.figure(figsize=(10, 8))
 gs = GridSpec(2, 2, height_ratios=[1, 1], width_ratios=[1, 1])
 
 # Adicionando os subplots à grade
 ax1 = fig.add_subplot(gs[0, 0])
 ax2 = fig.add_subplot(gs[0, 1])
 ax3 = fig.add_subplot(gs[1, :])
 
-
+# Função para ajustar e plotar uma gaussiana
+def plot_gaussian(ax, data, color):
+    mu, std = norm.fit(data)
+    xmin, xmax = ax.get_xlim()
+    x = np.linspace(xmin, xmax, 100)
+    p = norm.pdf(x, mu, std)
+    ax.plot(x, p, color=color, linestyle='--', linewidth=2)
 
 # Histograma de L
-ax1.hist(histograma_L, bins=1000, color='green', alpha=0.7)
+ax1.hist(histograma_L, bins=100, color='green', alpha=0.7, density=True)
 ax1.set_title('PDF (L)')
 ax1.set_xlabel('L (cm)')
 ax1.set_ylabel('Frequência')
+plot_gaussian(ax1, histograma_L, 'green')
 
 # Histograma de T
-ax2.hist(histograma_T, bins=100, color='red', alpha=0.7)
+ax2.hist(histograma_T, bins=100, color='red', alpha=0.7, density=True)
 ax2.set_title('PDF (T)')
 ax2.set_xlabel('T (ms)')
 ax2.set_ylabel('Frequência')
+plot_gaussian(ax2, histograma_T, 'red')
 
 # Histograma da gravidade
-ax3.hist(histograma_g.to('m/s²'), bins=1000, color='blue', alpha=0.7)
+ax3.hist(histograma_g.to('m/s²'), bins=100, color='blue', alpha=0.7, density=True)
 ax3.set_title(r'PDF ($g=\frac{4\pi^2L}{T^2}$)')
 ax3.set_xlabel('g (m/s²)')
 ax3.set_ylabel('Frequência')
+plot_gaussian(ax3, histograma_g.to('m/s²'), 'blue')
 
 # Ajustando o layout
 plt.tight_layout()
-plt.savefig("docs/images/gravidade_histograma.jpg",dpi=300)
+plt.savefig("docs/images/gravidade_histograma.jpg", dpi=300)