Gains :
- Capacité à faire la distinction entre l'incertitude aléatoire et systématique et à rapporter chaque résultat de mesure avec son incertitude au chiffre significatif approprié.
- Capacité à calculer la propagation des erreurs avec la bonne règle et à recouper indépendamment la formule dérivée de l'intelligence artificielle avec Monte Carlo
- Capacité à décider si deux résultats sont compatibles ou non, en tenant compte de leur incertitude
Aucune mesure en physique n’est parfaite. Il existe une incertitude de ±0,5 mm lors de la mesure de la longueur avec une règle et de ±0,1 s lors de la mesure du temps avec un chronomètre. Ces incertitudes ne sont pas un défaut, mais la nature de la mesure – et l'exigence de l'intégrité scientifique est de rapporter chaque résultat avec son incertitude. Dire « J'ai trouvé que l'accélération gravitationnelle était de 9,7 » est incomplet ; Dire « J'ai trouvé 9,7 ± 0,3 m/s² » vous indique la fiabilité du résultat. Dans cette unité, vous apprendrez à utiliser l'intelligence artificielle (IA) pour le calcul de l'incertitude et la propagation des erreurs (comment les incertitudes de mesure sont transmises de ces mesures au résultat calculé) et comment vérifier ces calculs.
Types d’incertitude et rôle de l’IA
Il existe deux types fondamentaux d’incertitude. L'incertitude aléatoire est la dispersion des résultats lors de mesures répétées ; De nombreuses mesures sont prises et réduites de la moyenne et de l'écart type. L'incertitude systématique est une erreur qui dévie toujours dans le même sens (comme une balance mal calibrée) ; Il ne diminue pas avec la répétition, mais se corrige en trouvant la cause. L'IA est utile pour expliquer ces concepts, codifier le calcul de l'écart type et de la moyenne et, surtout, dériver des formules complexes de propagation des erreurs. Mais vous devez vérifier chaque formule dérivée, car l’IA mélange souvent des signes de dérivée partielle ou une structure de racine carrée dans les formules de propagation d’erreurs.
Statut
compte
vérification
Mesure répétée
Moyenne ± erreur standard
Écart type manuel / √N
Addition/soustraction (z = x ± y)
Les incertitudes sont additionnées à partir du carré
Contrôle taille/unité
Multiplication/division (z = x·y)
Les incertitudes relatives sont additionnées à partir du carré
Test avec numéro d'échantillon
Fonction générale
Propagation par dérivées partielles
Recoupement avec Monte Carlo
Règles de base de propagation des erreurs
En addition et soustraction, les incertitudes absolues sont combinées en additionnant leurs carrés : Si z = x + y, l'incertitude de z devient √(δx² + δy²). En multiplication et en division, les incertitudes relatives (en pourcentage) sont additionnées à partir de leurs carrés : Si z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Pour les fonctions plus complexes, la règle générale est d'utiliser des dérivées partielles : l'effet de chaque variable sur le résultat est mesuré par la dérivée partielle par rapport à cette variable. L'IA peut dériver ces formules, mais le moyen le plus sûr de vérifier le résultat est une vérification croisée de Monte Carlo : distribuer aléatoirement chaque entrée en fonction de son incertitude, la calculer des milliers de fois et examiner la distribution de la sortie.
Astuce : Si vous n'êtes pas sûr de l'exactitude d'une formule de propagation d'erreur, fournissez-la avec Monte Carlo : générez aléatoirement les entrées avec leur propre incertitude et calculez la fonction 10 000 fois ; L'écart type de la sortie doit correspondre à l'incertitude donnée par la formule. La combinaison de ces deux méthodes indépendantes augmente considérablement votre confiance dans le résultat.
Étape par étape : une analyse honnête de l’incertitude
1. Déterminez l’incertitude de chaque mesure. Résolution de l’instrument, distribution des répétitions ou données du fabricant. Notez d'où vient l'incertitude.
2. Distinguer entre aléatoire et systématique. Considérons séparément ce qui diminuera avec la répétition et ce qui ne diminuera pas.
3. Calculez le spread avec la bonne formule. Addition, multiplication, fonction générale — choisissez la règle appropriée. Demandez à l'IA de le dériver, mais contrôlez-le.
4. Recoupez-vous avec Monte Carlo. Fournir le résultat dans une méthode indépendante, notamment pour les formules complexes.
5. Rapport avec les chiffres significatifs appropriés. L'incertitude est généralement arrondie à 1 à 2 chiffres significatifs ; le résultat s'aligne sur le dernier chiffre de l'incertitude. Écrivez « 9,7 ± 0,4 m/s² », et non « 9,73418 ± 0,4 ».
trois mini-cases
Cas 1 — Mauvaise formule de propagation. Un étudiant a interrogé AI sur la propagation de l'incertitude pour g = 4π²L/T². AI a oublié le coefficient de 2 en déduisant la contribution de l'incertitude de T par rapport à T (puisque T², l'incertitude relative aurait dû être de 2·δT/T). Lorsque l'étudiant a recoupé avec Monte Carlo, il a constaté que la formule de l'IA estimait l'incertitude d'environ la moitié et la corrigeait.
Cas 2 — Erreur systématique dissimulée. Un chercheur a pris un grand nombre de mesures, a réduit l’incertitude aléatoire et a rapporté une précision impressionnante de « ±0,01 mm ». Mais son échelle était hors-calibre de 0,2 mm – une erreur systématique. Compte tenu de cette erreur, qui ne diminue pas avec la répétition, la véritable incertitude est bien plus grande. Leçon : la répétition réduit les erreurs aléatoires, et non les erreurs systématiques.
Cas 3 — Monte Carlo sauvé. Un enseignant a introduit l’incertitude dans un calcul de volume (V = πr²h) et a trouvé un résultat manuellement. Certes, il a demandé à l’IA un code Monte Carlo ; Il a généré aléatoirement r et h avec leurs incertitudes et calculé V 10 000 fois. L'écart type de la distribution correspondait à la valeur trouvée manuellement - l'analyse a été validée.
Quatre modèles copiables
1) Dérivation de propagation d’erreur + vérification :
Pour l'expression z = [formule], dérivez la propagation de l'erreur des incertitudes des variables x et y à l'incertitude de z par les dérivées partielles, ÉTAPE PAR ÉTAPE. Montrez chaque dérivée partielle. Vérifiez ensuite cette formule avec SympY.Fitting ; Marquez l'étape dont vous n'êtes pas sûr.
2) Recoupement de Monte Carlo :
Écrivez un code Python qui trouve l'incertitude du calcul suivant en utilisant Monte Carlo : z = [formule]. Entrées : x = [valeur ± incertitude], y = [valeur ± incertitude]. Échantillonnez chaque entrée 10 000 fois à partir d'une distribution normale, calculez z, imprimez la moyenne et l'écart type de la sortie. Comparez cela avec le résultat de la formule analytique de diffusion.
3) Statistiques de mesure :
Écrivez un code qui calcule la moyenne, l'écart type et l'erreur type de la moyenne (std/√N) pour les données de mesure répétées suivantes ([valeurs]). Imprimez le résultat au format « valeur ± erreur type (unités) » avec le chiffre significatif approprié. Rappelez-nous la distinction entre incertitude aléatoire et systématique.
4) Chiffre significatif / contrôle de déclaration :
Réécrivez les résultats ci-dessous sous la forme « valeur ± incertitude (unité) », en arrondissant l'incertitude à 1-2 chiffres significatifs et en alignant le résultat sur l'incertitude. Correction d'une fausse précision. Résultats : [ici]
Invite faible/Invite forte
Faible : "calculer l'incertitude pour g."
Résultat : Un nombre sans contexte, dont la formule n'est pas vérifiée, et sans distinction systématique/aléatoire.
Strong : "Pour g = 4π²L/T², dérivez l'incertitude de g par dérivées partielles à partir de mesures de L = 1,00 ± 0,01 m et T = 2,00 ± 0,02 s, puis recoupez-les avec Monte Carlo. Écrivez le résultat sous la forme 'g = ... ± ... m/s²' avec le chiffre significatif approprié."
Résultat : Une incertitude dérivée, vérifiée de manière indépendante et correctement rapportée.
Erreurs courantes
- Ne signale pas du tout l’incertitude. Une mesure sans incertitude est une demi-déclaration scientifique.
- Ne pas vérifier la formule de propagation. YZ mélange fréquemment les coefficients de dérivée partielle et la structure de racine carrée ; Le recoupement de Monte Carlo est indispensable.
- Essayer de réduire les erreurs systématiques par la répétition. La multi-mesure réduit uniquement les erreurs aléatoires ; l’erreur d’étalonnage demeure.
- Créer une fausse certitude. Écrire des chiffres beaucoup plus significatifs que l'incertitude est une affirmation de précision qui n'existe pas.
- Collecte directe des incertitudes. Les incertitudes indépendantes ne sont pas linéaires mais carrées (en racine carrée).
Attention : la question de savoir si deux résultats physiques sont « différents » ne peut être décidée qu'en examinant leur incertitude. Les valeurs 9,7 à 9,81 sont compatibles si l'incertitude est de ±0,3 ; ±0,02 est contradictoire. Ignorer l'incertitude et dire « mon résultat s'écarte de la théorie » est souvent une conclusion erronée. Assurez-vous de vérifier le calcul d'incertitude donné par l'IA avant de prendre une décision.
En résumé
L'incertitude fait partie intégrante de la mesure physique et chaque résultat doit être rapporté avec son incertitude. L'IA est utile pour coder les statistiques d'incertitude et dériver des formules de propagation des erreurs ; mais ces formules contiennent des erreurs fréquentes et devraient être recoupées par une méthode indépendante telle que Monte Carlo. Distinguer l’incertitude aléatoire de l’incertitude systématique, rapporter le chiffre significatif approprié et comparer les résultats à leur incertitude est la base d’une étude scientifique honnête. Dans l'unité suivante, nous passerons de l'analyse numérique à la dérivation de modèles symboliques.
Tâche de candidature
Choisissez un calcul qui inclut au moins deux grandeurs mesurées (par exemple V = πr²h ou g = 4π²L/T²). Attribuez une incertitude raisonnable à chaque taille. Demandez à l'IA de dériver la propagation de l'erreur avec le modèle 1, puis demandez à Monte Carlo de contre-vérifier avec le modèle 2 et exécutez-le. Les résultats des deux méthodes concordent-ils ? Signalez le résultat avec le chiffre significatif approprié. Écrivez en 5 à 6 phrases : y a-t-il une erreur ou une inadéquation dans la formule ?
liste de contrôle
- [ ] J'ai déterminé l'incertitude et la source de chaque mesure.
- [ ] J'ai distingué l'incertitude aléatoire et l'incertitude systématique.
- [ ] J'ai calculé la propagation de l'erreur avec la bonne règle.
- [ ] J'ai recoupé le résultat indépendamment avec Monte Carlo ou à la main.
- [ ] J'ai rapporté le résultat avec le chiffre significatif approprié, aligné sur son incertitude.
- [ ] J'ai pris en compte l'incertitude lors de la comparaison des résultats.