عدم قطعیت، انتشار خطا و تجزیه و تحلیل اندازه گیری

سود:

• امکان تمایز بین عدم قطعیت تصادفی و سیستماتیک و گزارش هر نتیجه اندازه گیری با عدم قطعیت آن به رقم معنی دار مناسب.
• امکان محاسبه انتشار خطا با قانون صحیح و بررسی مستقل فرمول حاصل از هوش مصنوعی با مونت کارلو
• توانایی تصمیم گیری در مورد سازگاری یا عدم سازگاری دو نتیجه با در نظر گرفتن عدم قطعیت آنها

هیچ اندازه گیری در فیزیک کامل نیست. عدم قطعیت 0.5± میلی متر هنگام اندازه گیری طول با خط کش و ± 0.1 ثانیه هنگام اندازه گیری زمان با کرونومتر وجود دارد. این عدم قطعیت ها یک نقص نیستند، بلکه ماهیت اندازه گیری هستند - و لازمه یکپارچگی علمی گزارش هر نتیجه با عدم قطعیت آن است. گفتن "من شتاب گرانشی را 9.7 یافتم" ناقص است. گفتن "من 9.7 ± 0.3 m/s² پیدا کردم" به شما می گوید که نتیجه چقدر قابل اعتماد است. در این بخش، نحوه استفاده از هوش مصنوعی (AI) برای محاسبه عدم قطعیت و انتشار خطا (چگونه عدم قطعیت های اندازه گیری از آن اندازه گیری ها به نتیجه محاسبه شده منتقل می شود) و نحوه تأیید این محاسبات را خواهید آموخت.

انواع عدم قطعیت و نقش هوش مصنوعی

دو نوع اصلی عدم قطعیت وجود دارد. عدم قطعیت تصادفی پراکندگی نتایج در اندازه گیری های مکرر است. بسیاری از اندازه گیری ها با میانگین و انحراف معیار کاهش می یابد. عدم قطعیت سیستماتیک خطایی است که همیشه در یک جهت منحرف می شود (مثل تعادل نامناسب). با تکرار کاهش نمی یابد، بلکه با یافتن علت اصلاح می شود. هوش مصنوعی در توضیح این مفاهیم، ​​کدگذاری محاسبه انحراف استاندارد و میانگین، و - به ویژه - استخراج فرمول های پیچیده انتشار خطا مفید است. اما شما باید هر فرمول مشتق شده را تأیید کنید، زیرا AI اغلب علائم مشتق جزئی یا ساختار ریشه مربع را در فرمول های انتشار خطا مخلوط می کند.

وضعیت

حساب کاربری

تایید

اندازه گیری مکرر

میانگین ± خطای استاندارد

انحراف استاندارد دستی / √N

جمع/تفریق (z = x ± y)

عدم قطعیت ها از مربع جمع می شوند

کنترل اندازه/واحد

ضرب/تقسیم (z = x·y)

عدم قطعیت های نسبی از مربع جمع می شوند

تست با شماره نمونه

عملکرد کلی

انتشار توسط مشتقات جزئی

بررسی متقابل با مونت کارلو

قوانین اساسی انتشار خطا

علاوه بر این و تفریق، عدم قطعیت های مطلق با جمع مجذورهای آنها ترکیب می شوند: اگر z = x + y، عدم قطعیت z می شود √(δx² + δy²). در ضرب و تقسیم، عدم قطعیت های نسبی (درصد) از مجذور آنها جمع می شوند: اگر z = x·y، (δz/z) = √((δx/x)² + (δy/y)²). برای توابع پیچیده تر، قانون کلی استفاده از مشتقات جزئی است: تأثیر هر متغیر بر نتیجه توسط مشتق جزئی نسبت به آن متغیر اندازه گیری می شود. هوش مصنوعی می‌تواند این فرمول‌ها را استخراج کند، اما مطمئن‌ترین راه برای تأیید نتیجه، بررسی متقاطع مونت کارلو است: توزیع تصادفی هر ورودی با عدم قطعیت، محاسبه آن هزاران بار، و مشاهده توزیع خروجی.

نکته: اگر از صحت فرمول انتشار خطا مطمئن نیستید، آن را با مونت کارلو ارائه دهید: به صورت تصادفی ورودی ها را با عدم قطعیت خاص خود تولید کنید و تابع را 10000 بار محاسبه کنید. انحراف استاندارد خروجی باید با عدم قطعیت ارائه شده توسط فرمول مطابقت داشته باشد. ترکیب این دو روش مستقل اعتماد به نفس شما را به نتیجه بسیار افزایش می دهد.

گام به گام: تحلیل صادقانه عدم قطعیت

1. عدم قطعیت هر اندازه گیری را تعیین کنید. وضوح ابزار، توزیع تکرارها، یا داده های سازنده. بنویسید که عدم قطعیت از کجا می آید.

2. بین تصادفی و سیستماتیک تمایز قائل شوید. به طور جداگانه در نظر بگیرید که با تکرار چه چیزی کاهش می یابد و چه چیزی کاهش نمی یابد.

3. اسپرد را با فرمول صحیح محاسبه کنید. جمع، ضرب، تابع کلی - قانون مناسب را انتخاب کنید. از هوش مصنوعی استفاده کنید، اما آن را کنترل کنید.

4. با مونت کارلو چک کنید. نتیجه را با روشی مستقل به خصوص برای فرمول های پیچیده ارائه دهید.

5. گزارش با ارقام قابل توجه مناسب. عدم قطعیت معمولاً به 1-2 رقم قابل توجه گرد می شود. نتیجه با آخرین رقم عدم قطعیت مطابقت دارد. «9.7 ± 0.4 m/s²» را بنویسید، نه «0.4 ± 9.73418».

سه کیف کوچک

مورد 1 - فرمول پخش اشتباه. دانشجویی از هوش مصنوعی در مورد انتشار عدم قطعیت برای g = 4π²L/T² پرسید. هوش مصنوعی هنگام استخراج سهم عدم قطعیت T نسبت به T ضریب 2 را فراموش کرد (از آنجایی که T2 عدم قطعیت نسبی باید 2·δT/T باشد). وقتی دانش‌آموز با مونت کارلو بررسی کرد، متوجه شد که فرمول هوش مصنوعی عدم قطعیت را تقریباً نصف برآورد کرده و آن را تصحیح کرد.

مورد 2 - خطای سیستماتیک پنهان شد. یکی از محققین تعداد زیادی اندازه گیری انجام داد، عدم قطعیت تصادفی را بسیار کوچک کرد و دقت چشمگیر "0.01± میلی متر" را گزارش کرد. اما مقیاس آن 0.2 میلی متر خارج از کالیبر بود - یک خطای سیستماتیک. با در نظر گرفتن این خطا که با تکرار کاهش پیدا نکرد، عدم قطعیت واقعی بسیار بیشتر بود. درس: تکرار خطای تصادفی را کاهش می دهد نه خطای سیستماتیک.

مورد 3 - مونت کارلو نجات داد. معلمی عدم قطعیت را در حساب حجمی (V = πr²h) معرفی کرد و نتیجه را با دست پیدا کرد. برای اطمینان، او از هوش مصنوعی یک کد مونت کارلو درخواست کرد. او به طور تصادفی r و h را با عدم قطعیت آنها تولید کرد و V را 10000 بار محاسبه کرد. انحراف استاندارد توزیع مطابق با مقدار بدست آمده با دست - تجزیه و تحلیل اعتبار سنجی شد.

چهار قالب قابل کپی

1) اشتقاق انتشار خطا + تأیید:

برای عبارت z = [فرمول]، انتشار خطا را از عدم قطعیت متغیرهای x و y به عدم قطعیت z توسط مشتقات جزئی، گام به گام استخراج کنید. هر مشتق جزئی را نشان دهید. سپس این فرمول را با SympY.Fitting تأیید کنید. مرحله ای را که از آن مطمئن نیستید علامت بزنید.

2) چک متقاطع مونت کارلو:

یک کد پایتون بنویسید که عدم قطعیت محاسبه زیر را با استفاده از مونت کارلو پیدا کند: z = [فرمول]. ورودی ها: x = [مقدار ± عدم قطعیت]، y = [مقدار ± عدم قطعیت]. هر ورودی را 10000 بار از یک توزیع نرمال نمونه بگیرید، z را محاسبه کنید، میانگین و انحراف استاندارد خروجی را چاپ کنید. این را با نتیجه فرمول انتشار تحلیلی مقایسه کنید.

3) آمار اندازه گیری:

کدی بنویسید که میانگین، انحراف معیار، و خطای استاندارد میانگین (std/√N) را برای داده‌های اندازه‌گیری مکرر زیر ([مقدار]) محاسبه کند. نتیجه را در قالب "مقدار ± خطای استاندارد (واحد)" با رقم معنی دار مناسب چاپ کنید. تمایز بین عدم قطعیت تصادفی و سیستماتیک را به ما یادآوری کنید.

4) رقم قابل توجه / بررسی گزارش:

نتایج زیر را به شکل "مقدار ± عدم قطعیت (واحد)" بازنویسی کنید، عدم قطعیت را به 1-2 رقم مهم گرد کنید و نتیجه را با عدم قطعیت تراز کنید. دقت کاذب را برطرف کنید. نتایج: [اینجا]

اعلان ضعیف / اعلان قوی

ضعیف: "عدم قطعیت را برای g محاسبه کنید."

نتیجه: عددی بدون زمینه، که فرمول آن تایید نشده است، و بدون تمایز سیستماتیک/تصادفی.

قوی: "برای g = 4π²L/T²، عدم قطعیت g را با مشتقات جزئی از اندازه گیری های L = 0.01 ± 1.00 متر و T = 2.00 ± 0.02 ثانیه بدست آورید، سپس مونت کارلو را بررسی کنید. نتیجه را به شکل 'g/ رقم معنادار²' با مقدار مناسب بنویسید."

نتیجه: عدم قطعیت مشتق شده، تأیید شده مستقل، به درستی گزارش شده است.

اشتباهات رایج

• اصلاً عدم اطمینان را گزارش نمی کند. یک اندازه گیری بدون عدم قطعیت یک نیمه بیان علمی است.
• عدم تأیید فرمول گسترش YZ اغلب ضرایب مشتق جزئی و ساختار ریشه مربع را مخلوط می کند. بررسی متقابل مونت کارلو ضروری است.
• تلاش برای کاهش خطای سیستماتیک از طریق تکرار. چند اندازه گیری فقط خطای تصادفی را کاهش می دهد. خطای کالیبراسیون باقی می ماند
• ایجاد اطمینان کاذب نوشتن ارقام بسیار مهمتر از عدم قطعیت، ادعای دقیقی است که وجود ندارد.
• جمع آوری عدم قطعیت ها به طور مستقیم عدم قطعیت های مستقل خطی نیستند بلکه مجذور هستند (به جذر).

احتیاط: اینکه آیا دو نتیجه فیزیکی "متفاوت" هستند یا خیر، تنها با بررسی عدم قطعیت آنها می توان تصمیم گرفت. مقادیر 9.7 تا 9.81 سازگار هستند اگر عدم قطعیت ± 0.3 باشد. 0.02 ± متناقض است. نادیده گرفتن عدم قطعیت و گفتن "نتیجه من از نظریه منحرف می شود" اغلب یک نتیجه گیری اشتباه است. قبل از تصمیم گیری حتماً محاسبه عدم قطعیت ارائه شده توسط هوش مصنوعی را تأیید کنید.

به طور خلاصه

عدم قطعیت جزء جدایی ناپذیر اندازه گیری فیزیکی است و هر نتیجه ای باید با عدم قطعیت خود گزارش شود. هوش مصنوعی در کدگذاری آمار عدم قطعیت و استخراج فرمول های انتشار خطا مفید است. اما این فرمول ها حاوی خطاهای مکرر هستند و باید با روش مستقلی مانند مونت کارلو بررسی شوند. تشخیص تصادفی از عدم قطعیت سیستماتیک، گزارش به رقم معنی دار مناسب و مقایسه نتایج با عدم قطعیت آنها اساس مطالعه علمی صادقانه است. در واحد بعدی تمرکز را از تحلیل عددی به استخراج مدل نمادین تغییر خواهیم داد.

وظیفه کاربردی

محاسبه‌ای را انتخاب کنید که شامل حداقل دو کمیت اندازه‌گیری شده باشد (به عنوان مثال V = πr²h یا g = 4π²L/T²). به هر اندازه یک عدم قطعیت معقول اختصاص دهید. از هوش مصنوعی بخواهید که انتشار خطا را با الگوی 1 دریافت کند، سپس مونت کارلو را با الگوی 2 بررسی کرده و آن را اجرا کنید. آیا نتایج دو روش مطابقت دارد؟ نتیجه را با رقم معنی دار مناسب گزارش دهید. در 5-6 جمله بنویسید: آیا فرمول خطا یا عدم تطابق وجود دارد؟

چک لیست

• [ ] من عدم قطعیت و منبع هر اندازه گیری را تعیین کردم.
• [ ] من عدم قطعیت تصادفی و سیستماتیک را تشخیص دادم.
• [ ] من انتشار خطا را با قانون صحیح محاسبه کردم.
• [ ] من نتیجه را به طور مستقل با مونت کارلو یا با دست بررسی کردم.
• [ ] من نتیجه را با رقم معنی دار مناسب و همسو با عدم قطعیت آن گزارش کردم.
• [ ] هنگام مقایسه نتایج، عدم قطعیت را در نظر گرفتم.