Печалби:
- Способност да се прави разлика между случайна и систематична несигурност и да се докладва всеки резултат от измерване с неговата несигурност до съответната значима цифра.
- Възможност за изчисляване на разпространението на грешки с правилното правило и независима кръстосана проверка на формулата, получена от изкуствения интелект с Монте Карло
- Способност да се реши дали два резултата са съвместими или не, като се вземе предвид тяхната несигурност
Нито едно измерване във физиката не е перфектно. Има несигурност от ±0,5 mm при измерване на дължина с линийка и ±0,1 s при измерване на времето с хронометър. Тези несигурности не са недостатък, а естеството на измерването - и изискването за научна почтеност е всеки резултат да се докладва с неговата несигурност. Казването „Установих, че гравитационното ускорение е 9,7“ е непълно; Казването „Намерих 9,7 ± 0,3 m/s²“ ви казва колко надежден е резултатът. В този модул ще научите как да използвате изкуствен интелект (AI) за изчисляване на несигурността и разпространение на грешката (как несигурността на измерването се пренася от тези измервания към изчисления резултат) и как да проверите тези изчисления.
Видове несигурност и ролята на ИИ
Има два основни вида несигурност. Случайната несигурност е разсейването на резултатите при повтарящи се измервания; Правят се много измервания и се намаляват със средната стойност и стандартното отклонение. Систематичната несигурност е грешка, която винаги се отклонява в една и съща посока (като грешно калибрирана везна); Не намалява с повторение, а се коригира с намиране на причината. AI е полезен при обясняването на тези понятия, кодифицирането на изчислението на стандартното отклонение и средната стойност и — особено — извличането на сложни формули за разпространение на грешката. Но трябва да проверите всяка производна формула, тъй като AI често смесва знаци за частични производни или структура на квадратен корен във формулите за разпространение на грешки.
Статус
сметка
проверка
Повторно измерване
Средна стойност ± стандартна грешка
Ръчно стандартно отклонение / √N
Събиране/изваждане (z = x ± y)
Несигурностите се сумират от квадрата
Контрол на размер/единица
Умножение/деление (z = x·y)
Относителните несигурности се сумират от квадрата
Тест с номер на проба
Обща функция
Размножаване чрез частни производни
Кръстосана проверка с Монте Карло
Основни правила за разпространение на грешки
В допълнение и изваждане, абсолютните несигурности се комбинират чрез добавяне на техните квадрати: Ако z = x + y, несигурността на z става √(δx² + δy²). При умножение и деление относителните (процентни) несигурности се сумират от техните квадрати: Ако z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). За по-сложни функции общото правило е да се използват частни производни: ефектът на всяка променлива върху резултата се измерва чрез частната производна по отношение на тази променлива. AI може да изведе тези формули, но най-сигурният начин за проверка на резултата е кръстосана проверка Монте Карло: произволно разпределяне на всеки вход спрямо неговата несигурност, изчисляването му хиляди пъти и разглеждане на разпределението на изхода.
Съвет: Ако не сте сигурни в точността на формула за разпространение на грешката, осигурете я с Монте Карло: произволно генерирайте входните данни с тяхната собствена несигурност и изчислете функцията 10 000 пъти; Стандартното отклонение на изхода трябва да съответства на несигурността, дадена от формулата. Комбинацията от тези два независими метода значително повишава вашата увереност в резултата.
Стъпка по стъпка: честен анализ на несигурността
1. Определете несигурността на всяко измерване. Разделителна способност на инструмента, разпределение на повторенията или данни на производителя. Напишете откъде идва несигурността.
2. Правете разлика между случайни и систематични. Помислете отделно какво ще намалее с повторение и какво не.
3. Изчислете спреда с правилната формула. Събиране, умножение, обща функция — изберете подходящото правило. Накарайте AI да го извлече, но го контролирайте.
4. Кръстосана проверка с Монте Карло. Осигурете резултата в независим метод, особено за сложни формули.
5. Докладвайте с подходящи значещи цифри. Несигурността обикновено се закръгля до 1-2 значещи цифри; резултатът съвпада с последната цифра на несигурността. Напишете "9,7 ± 0,4 m/s²", а не "9,73418 ± 0,4".
три мини калъфа
Случай 1 — Грешна формула за разпространение. Студент попита AI за разпространението на несигурността за g = 4π²L/T². AI забрави коефициента 2, когато изведе приноса на несигурността на T по отношение на T (тъй като T² относителната несигурност трябваше да бъде 2·δT/T). Когато студентът направи кръстосана проверка с Монте Карло, той установи, че формулата на AI оценява несигурността на около половината и я коригира.
Случай 2 — Скрита систематична грешка. Един изследовател направи голям брой измервания, направи случайната несигурност много малка и отчете впечатляваща точност от „±0,01 mm“. Но мащабът му беше извън калибър с 0,2 mm - систематична грешка. Като се вземе предвид тази грешка, която не намалява с повторението, истинската несигурност е много по-голяма. Урок: повторението намалява случайната грешка, а не системната грешка.
Случай 3 — Монте Карло спасен. Учител въведе несигурност в изчисляване на обем (V = πr²h) и намери резултат на ръка. За да бъде сигурен, той поиска от AI код на Монте Карло; Той произволно генерира r и h с техните несигурности и изчислява V 10 000 пъти. Стандартното отклонение на разпределението съответства на стойността, намерена на ръка — анализът е валидиран.
Четири копируеми шаблона
1) Произвеждане на разпространение на грешка + проверка:
За израза z = [формула], изведете разпространението на грешката от несигурността на променливите x и y към несигурността на z чрез частни производни, СТЪПКА ПО СТЪПКА. Покажете всяка частична производна. След това проверете тази формула със SympY.Fitting; Маркирайте стъпката, за която не сте сигурни.
2) Кръстосана проверка Монте Карло:
Напишете код на Python, който намира несигурността на следното изчисление с помощта на Монте Карло: z = [формула]. Входящи данни: x = [стойност ± несигурност], y = [стойност ± несигурност]. Вземете проба от всеки вход 10 000 пъти от нормално разпределение, изчислете z, отпечатайте средната стойност и стандартното отклонение на изхода. Сравнете това с резултата от формулата за аналитичната дифузия.
3) Статистика на измерването:
Напишете код, който изчислява средната стойност, стандартното отклонение и стандартната грешка на средната стойност (std/√N) за следните данни от повтарящи се измервания ([стойности]). Отпечатайте резултата във формат "стойност ± стандартна грешка (единици)" със съответната значима цифра. Напомнете ни за разликата между случайна и систематична несигурност.
4) Значима цифра / проверка на отчета:
Пренапишете резултатите по-долу във формата "стойност ± несигурност (единица)", като закръглите несигурността до 1-2 значещи цифри и изравните резултата с несигурността. Коригиране на фалшива точност. Резултати: [тук]
Слаба подкана / Силна подкана
Слаб: "изчислете несигурността за g."
Резултат: Число без контекст, чиято формула не е проверена и без систематично/случайно разграничение.
Силно: "За g = 4π²L/T², извлечете несигурността на g чрез частични производни от измервания на L = 1,00 ± 0,01 m и T = 2,00 ± 0,02 s, след това направете кръстосана проверка с Монте Карло. Запишете резултата във формата 'g = ... ± ... m/s²' със съответната значима цифра."
Резултат: Изведена, независимо проверена, правилно докладвана несигурност.
Често срещани грешки
- Изобщо не съобщава за несигурност. Измерване без несигурност е научно полуизявление.
- Не се проверява формулата за разпространение. YZ често смесва частични производни коефициенти и структура на квадратен корен; Кръстосаната проверка в Монте Карло е задължителна.
- Опитвайки се да намалим систематичната грешка чрез повторение. Многократното измерване само намалява случайната грешка; остава грешка при калибриране.
- Създаване на фалшива сигурност. Писането на много по-значими цифри от несигурността е претенция за точност, която не съществува.
- Директно събиране на несигурности. Независимите несигурности не са линейни, а на квадрат (в корен квадратен).
Внимание: Дали два физически резултата са "различни" може да се реши само чрез разглеждане на тяхната несигурност. Стойности от 9,7 до 9,81 са съвместими, ако несигурността е ±0,3; ±0,02 е противоречиво. Пренебрегването на несигурността и казването „моят резултат се отклонява от теорията“ често е погрешно заключение. Не забравяйте да проверите изчислението на несигурността, дадено от AI, преди да вземете решение.
В обобщение
Несигурността е неразделна част от физическото измерване и всеки резултат трябва да се докладва с неговата несигурност. AI е полезен при кодиране на статистики за несигурност и извличане на формули за разпространение на грешки; но тези формули съдържат чести грешки и трябва да бъдат проверени чрез независим метод като Монте Карло. Разграничаването на случайната от систематичната несигурност, отчитането до подходящата значима цифра и сравняването на резултатите с тяхната несигурност е основата на честното научно изследване. В следващата част ще изместим фокуса от числения анализ към извеждането на символен модел.
Задача за приложение
Изберете изчисление, което включва поне две измерени величини (напр. V = πr²h или g = 4π²L/T²). Задайте разумна несигурност на всеки размер. Накарайте AI да извлече разпространението на грешката с шаблон 1, след това накарайте кръстосаната проверка на Монте Карло с шаблон 2 и го стартирайте. Съвпадат ли резултатите от двата метода? Докладвайте резултата със съответната значима цифра. Запишете в 5-6 изречения: има ли грешка във формулата или несъответствие?
контролен списък
- [ ] Определих несигурността и източника на всяко измерване.
- [ ] Разграничих случайната и систематичната несигурност.
- [ ] Изчислих разпространението на грешката с правилното правило.
- [ ] Направих кръстосана проверка на резултата независимо с Монте Карло или на ръка.
- [ ] Докладах резултата със съответната значима цифра, съобразена с неговата несигурност.
- [ ] Взех предвид несигурността, когато сравнявах резултатите.