અનિશ્ચિતતા, ભૂલ પ્રચાર અને માપન વિશ્લેષણ

નફો:

• રેન્ડમ અને વ્યવસ્થિત અનિશ્ચિતતા વચ્ચે તફાવત કરવાની ક્ષમતા અને દરેક માપન પરિણામને તેની અનિશ્ચિતતા સાથે યોગ્ય નોંધપાત્ર અંક સુધી જાણ કરવાની ક્ષમતા.
• યોગ્ય નિયમ સાથે ભૂલ પ્રચારની ગણતરી કરવાની ક્ષમતા અને મોન્ટે કાર્લો સાથે કૃત્રિમ બુદ્ધિ દ્વારા મેળવેલા સૂત્રને સ્વતંત્ર રીતે ક્રોસ-ચેક કરવાની ક્ષમતા
• તેમની અનિશ્ચિતતાને ધ્યાનમાં લઈને, બે પરિણામો સુસંગત છે કે નહીં તે નક્કી કરવાની ક્ષમતા

ભૌતિકશાસ્ત્રમાં કોઈ માપન સંપૂર્ણ નથી. શાસક વડે લંબાઈ માપતી વખતે ±0.5 mm અને સ્ટોપવોચ વડે સમય માપતી વખતે ±0.1 s ની અનિશ્ચિતતા છે. આ અનિશ્ચિતતાઓ કોઈ ખામી નથી, પરંતુ માપની પ્રકૃતિ છે-અને વૈજ્ઞાનિક અખંડિતતાની આવશ્યકતા એ છે કે દરેક પરિણામની તેની અનિશ્ચિતતા સાથે જાણ કરવી. "મને ગુરુત્વાકર્ષણ પ્રવેગક 9.7 હોવાનું જણાયું" એમ કહેવું અધૂરું છે; "મને 9.7 ± 0.3 m/s² મળ્યું" એમ કહેવું તમને કહે છે કે પરિણામ કેટલું વિશ્વસનીય છે. આ એકમમાં, તમે અનિશ્ચિતતાની ગણતરી અને ભૂલના પ્રચાર માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) નો ઉપયોગ કેવી રીતે કરવો તે શીખીશું (કેવી રીતે માપની અનિશ્ચિતતાઓ તે માપથી ગણતરીના પરિણામ સુધી લઈ જવામાં આવે છે) અને આ ગણતરીઓને કેવી રીતે ચકાસવી.

અનિશ્ચિતતાના પ્રકારો અને AI ની ભૂમિકા

અનિશ્ચિતતાના બે મૂળભૂત પ્રકારો છે. રેન્ડમ અનિશ્ચિતતા એ પુનરાવર્તિત માપનના પરિણામોનું વિખેરવું છે; સરેરાશ અને પ્રમાણભૂત વિચલન દ્વારા ઘણાં માપ લેવામાં આવે છે અને ઘટાડવામાં આવે છે. વ્યવસ્થિત અનિશ્ચિતતા એ એક ભૂલ છે જે હંમેશા એક જ દિશામાં વિચલિત થાય છે (જેમ કે ખોટા માપાંકિત સંતુલન); તે પુનરાવર્તન સાથે ઘટતું નથી, પરંતુ કારણ શોધીને સુધારેલ છે. AI આ વિભાવનાઓને સમજાવવામાં, પ્રમાણભૂત વિચલન અને સરેરાશની ગણતરીને કોડિફાઇ કરવામાં અને - ખાસ કરીને - જટિલ ભૂલ પ્રચાર સૂત્રો મેળવવામાં મદદરૂપ છે. પરંતુ તમારે દરેક વ્યુત્પન્ન સૂત્રને ચકાસવું આવશ્યક છે, કારણ કે AI ઘણીવાર ભૂલ પ્રચારના સૂત્રોમાં આંશિક વ્યુત્પન્ન સંકેતો અથવા વર્ગમૂળ માળખું મિશ્રિત કરે છે.

સ્થિતિ

એકાઉન્ટ

ચકાસણી

પુનરાવર્તિત માપન

સરેરાશ ± પ્રમાણભૂત ભૂલ

મેન્યુઅલ પ્રમાણભૂત વિચલન / √N

સરવાળો/બાદબાકી (z = x ± y)

ચોરસમાંથી અનિશ્ચિતતાઓનો સરવાળો કરવામાં આવે છે

કદ/એકમ નિયંત્રણ

ગુણાકાર/ભાગાકાર (z = x·y)

સંબંધિત અનિશ્ચિતતાઓનો સરવાળો ચોરસમાંથી કરવામાં આવે છે

નમૂના નંબર સાથે પરીક્ષણ કરો

સામાન્ય કાર્ય

આંશિક ડેરિવેટિવ્ઝ દ્વારા પ્રચાર

મોન્ટે કાર્લો સાથે ક્રોસ-ચેકિંગ

ભૂલ પ્રચારના મૂળભૂત નિયમો

વધુમાં અને બાદબાકી, સંપૂર્ણ અનિશ્ચિતતાઓને તેમના વર્ગો ઉમેરીને જોડવામાં આવે છે: જો z = x + y હોય, તો z ની અનિશ્ચિતતા √(δx² + δy²) બને છે. ગુણાકાર અને ભાગાકારમાં, સંબંધિત (ટકા) અનિશ્ચિતતાઓનો સરવાળો તેમના વર્ગોમાંથી કરવામાં આવે છે: જો z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). વધુ જટિલ કાર્યો માટે, સામાન્ય નિયમ આંશિક ડેરિવેટિવ્ઝનો ઉપયોગ કરવાનો છે: પરિણામ પરના દરેક ચલની અસર તે ચલના સંદર્ભમાં આંશિક વ્યુત્પન્ન દ્વારા માપવામાં આવે છે. AI આ સૂત્રો મેળવી શકે છે, પરંતુ પરિણામ ચકાસવાની સૌથી સલામત રીત એ મોન્ટે કાર્લો ક્રોસ-ચેક છે: દરેક ઇનપુટને તેની અનિશ્ચિતતામાં અવ્યવસ્થિત રીતે વિતરિત કરવું, હજારો વખત તેની ગણતરી કરવી અને આઉટપુટના વિતરણને જોવું.

ટીપ: જો તમે ભૂલ પ્રચાર સૂત્રની ચોકસાઈ વિશે અચોક્કસ હોવ, તો તેને મોન્ટે કાર્લો સાથે પ્રદાન કરો: અવ્યવસ્થિત રીતે તેમની પોતાની અનિશ્ચિતતા સાથે ઇનપુટ્સ જનરેટ કરો અને કાર્યની 10,000 વખત ગણતરી કરો; આઉટપુટનું પ્રમાણભૂત વિચલન સૂત્ર દ્વારા આપવામાં આવેલી અનિશ્ચિતતા સાથે મેળ ખાતું હોવું જોઈએ. આ બે સ્વતંત્ર પદ્ધતિઓનું સંયોજન પરિણામમાં તમારા આત્મવિશ્વાસમાં ઘણો વધારો કરે છે.

પગલું દ્વારા પગલું: એક પ્રમાણિક અનિશ્ચિતતા વિશ્લેષણ

1. દરેક માપની અનિશ્ચિતતા નક્કી કરો. ઇન્સ્ટ્રુમેન્ટ રિઝોલ્યુશન, રિપીટનું વિતરણ અથવા ઉત્પાદક ડેટા. અનિશ્ચિતતા ક્યાંથી આવે છે તે લખો.

2. રેન્ડમ અને વ્યવસ્થિત વચ્ચેનો તફાવત. પુનરાવર્તન સાથે શું ઘટશે અને શું નહીં તે અલગથી ધ્યાનમાં લો.

3. યોગ્ય સૂત્ર સાથે સ્પ્રેડની ગણતરી કરો. ઉમેરણ, ગુણાકાર, સામાન્ય કાર્ય — યોગ્ય નિયમ પસંદ કરો. AI ને તે મેળવો, પરંતુ તેને નિયંત્રિત કરો.

4. મોન્ટે કાર્લો સાથે ક્રોસ-ચેક. સ્વતંત્ર પદ્ધતિમાં પરિણામ આપો, ખાસ કરીને જટિલ સૂત્રો માટે.

5. યોગ્ય નોંધપાત્ર અંકો સાથે રિપોર્ટ કરો. અનિશ્ચિતતા સામાન્ય રીતે 1-2 નોંધપાત્ર અંકોમાં ગોળાકાર હોય છે; પરિણામ અનિશ્ચિતતાના છેલ્લા અંક સાથે સંરેખિત થાય છે. "9.7 ± 0.4 m/s²" લખો, "9.73418 ± 0.4" નહીં.

ત્રણ નાના કેસો

કેસ 1 — ખોટી સ્પ્રેડ ફોર્મ્યુલા. એક વિદ્યાર્થીએ AI ને g = 4π²L/T² માટે અનિશ્ચિતતા પ્રચાર વિશે પૂછ્યું. T ના સંદર્ભમાં T ની અનિશ્ચિતતાના યોગદાનને પ્રાપ્ત કરતી વખતે AI 2 ના ગુણાંકને ભૂલી ગયો (T² થી સંબંધિત અનિશ્ચિતતા 2·δT/T હોવી જોઈએ). જ્યારે વિદ્યાર્થીએ મોન્ટે કાર્લો સાથે ક્રોસ-ચેક કર્યું, ત્યારે તેણે જોયું કે AI ફોર્મ્યુલાએ અનિશ્ચિતતાનો અંદાજ લગભગ અડધો કર્યો અને તેને સુધાર્યો.

કેસ 2 - વ્યવસ્થિત ભૂલ છુપાવી. એક સંશોધકે મોટી સંખ્યામાં માપ લીધા, અવ્યવસ્થિત અનિશ્ચિતતાને ખૂબ જ નાની બનાવી, અને "±0.01 mm" ની પ્રભાવશાળી ચોકસાઈની જાણ કરી. પરંતુ તેનું સ્કેલ 0.2 મીમીથી ઓફ-કેલિબર હતું - એક વ્યવસ્થિત ભૂલ. આ ભૂલને ધ્યાનમાં લેતા, જે પુનરાવર્તન સાથે ઘટતી નથી, સાચી અનિશ્ચિતતા ઘણી વધારે હતી. પાઠ: પુનરાવર્તન રેન્ડમ ભૂલ ઘટાડે છે, વ્યવસ્થિત ભૂલ નહીં.

કેસ 3 - મોન્ટે કાર્લો સાચવવામાં આવ્યો. એક શિક્ષકે વોલ્યુમ કેલ્ક્યુલસ (V = πr²h) માં અનિશ્ચિતતા રજૂ કરી અને હાથ દ્વારા પરિણામ મેળવ્યું. ખાતરી કરવા માટે, તેણે એઆઈને મોન્ટે કાર્લો કોડ માટે પૂછ્યું; તેણે તેમની અનિશ્ચિતતાઓ સાથે અવ્યવસ્થિત રીતે r અને h જનરેટ કર્યા અને V ની 10,000 વખત ગણતરી કરી. વિતરણનું પ્રમાણભૂત વિચલન હાથ દ્વારા મળેલ મૂલ્ય સાથે સંમત છે - વિશ્લેષણ માન્ય કરવામાં આવ્યું હતું.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ભૂલ પ્રચાર વ્યુત્પત્તિ + ચકાસણી:

z = [સૂત્ર] અભિવ્યક્તિ માટે, ચલ x અને y ની અનિશ્ચિતતાઓમાંથી આંશિક ડેરિવેટિવ્ઝ દ્વારા z ની અનિશ્ચિતતા સુધીની ભૂલ પ્રસરણ મેળવો, STEP BY STEP. દરેક આંશિક વ્યુત્પન્ન બતાવો. પછી આ ફોર્મ્યુલાને SympY.Fitting સાથે ચકાસો; તમને ખાતરી ન હોય તે પગલાને ચિહ્નિત કરો.

2) મોન્ટે કાર્લો ક્રોસ-ચેક:

મોન્ટે કાર્લોનો ઉપયોગ કરીને નીચેની ગણતરીની અનિશ્ચિતતા શોધતો પાયથોન કોડ લખો: z = [સૂત્ર]. ઇનપુટ્સ: x = [મૂલ્ય ± અનિશ્ચિતતા], y = [મૂલ્ય ± અનિશ્ચિતતા]. સામાન્ય વિતરણમાંથી દરેક ઇનપુટને 10,000 વખત નમૂના લો, z ની ગણતરી કરો, આઉટપુટના સરેરાશ અને પ્રમાણભૂત વિચલનને છાપો. વિશ્લેષણાત્મક પ્રસરણ સૂત્રના પરિણામ સાથે આની તુલના કરો.

3) માપનના આંકડા:

નીચેના પુનરાવર્તિત માપન ડેટા ([મૂલ્યો]) માટે સરેરાશ, પ્રમાણભૂત વિચલન અને સરેરાશ (std/√N) ની પ્રમાણભૂત ભૂલની ગણતરી કરતો કોડ લખો. પરિણામને યોગ્ય નોંધપાત્ર અંક સાથે "મૂલ્ય ± પ્રમાણભૂત ભૂલ (એકમો)" ફોર્મેટમાં છાપો. અમને રેન્ડમ અને વ્યવસ્થિત અનિશ્ચિતતા વચ્ચેના તફાવતની યાદ અપાવો.

4) નોંધપાત્ર અંક / રિપોર્ટિંગ તપાસ:

નીચે આપેલા પરિણામોને "મૂલ્ય ± અનિશ્ચિતતા (એકમ)" સ્વરૂપમાં ફરીથી લખો, અનિશ્ચિતતાને 1-2 નોંધપાત્ર અંકોમાં રાઉન્ડિંગ કરો અને પરિણામને અનિશ્ચિતતા સાથે સંરેખિત કરો. ખોટી ચોકસાઇ ઠીક કરો. પરિણામો: [અહીં]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "g માટે અનિશ્ચિતતાની ગણતરી કરો."

પરિણામ: સંદર્ભ વિનાની સંખ્યા, જેનું સૂત્ર ચકાસાયેલ નથી, અને વ્યવસ્થિત/રેન્ડમ ભેદ વિના.

સશક્ત: "g = 4π²L/T² માટે, L = 1.00 ± 0.01 m અને T = 2.00 ± 0.02 s ના માપમાંથી આંશિક વ્યુત્પન્ન દ્વારા g ની અનિશ્ચિતતા મેળવો, પછી મોન્ટે કાર્લો સાથે ક્રોસ-ચેક કરો. ફોર્મમાં પરિણામ લખો 'g'±s = ... ²± s = ... નોંધપાત્ર સાથે પરિણામ લખો.

પરિણામ: એક વ્યુત્પન્ન, સ્વતંત્ર રીતે ચકાસાયેલ, યોગ્ય રીતે જાણ કરાયેલ અનિશ્ચિતતા.

સામાન્ય ભૂલો

• અનિશ્ચિતતાની બિલકુલ જાણ કરતા નથી. અનિશ્ચિતતા વિનાનું માપ એ વૈજ્ઞાનિક અર્ધ-વિધાન છે.
• સ્પ્રેડ ફોર્મ્યુલાની ચકાસણી કરી રહ્યાં નથી. YZ વારંવાર આંશિક વ્યુત્પન્ન ગુણાંક અને વર્ગમૂળ માળખું મિશ્રિત કરે છે; મોન્ટે કાર્લો ક્રોસ-ચેકિંગ આવશ્યક છે.
• પુનરાવર્તન દ્વારા વ્યવસ્થિત ભૂલ ઘટાડવાનો પ્રયાસ. બહુ-માપ માત્ર રેન્ડમ ભૂલ ઘટાડે છે; માપાંકન ભૂલ રહે છે.
• ખોટી નિશ્ચિતતા બનાવવી. અનિશ્ચિતતા કરતાં ઘણા વધુ નોંધપાત્ર અંકો લખવા એ ચોકસાઈનો દાવો છે જે અસ્તિત્વમાં નથી.
• અનિશ્ચિતતાઓને સીધી એકત્રિત કરવી. સ્વતંત્ર અનિશ્ચિતતાઓ રેખીય નથી પણ ચોરસ (વર્ગમૂળમાં) છે.

સાવધાન: બે ભૌતિક પરિણામો "અલગ" છે કે કેમ તે તેમની અનિશ્ચિતતા જોઈને જ નક્કી કરી શકાય છે. જો અનિશ્ચિતતા ±0.3 હોય તો મૂલ્યો 9.7 થી 9.81 સુસંગત છે; ±0.02 વિરોધાભાસી છે. અનિશ્ચિતતાને અવગણવી અને "મારું પરિણામ સિદ્ધાંતથી વિચલિત થાય છે" એમ કહેવું એ ઘણીવાર ભૂલભરેલું નિષ્કર્ષ છે. નિર્ણય લેતા પહેલા AI દ્વારા આપવામાં આવેલી અનિશ્ચિતતાની ગણતરીની ખાતરી કરો.

સારાંશમાં

અનિશ્ચિતતા ભૌતિક માપનો અભિન્ન ભાગ છે અને દરેક પરિણામની તેની અનિશ્ચિતતા સાથે જાણ કરવી જોઈએ. AI અનિશ્ચિતતાના આંકડાઓને કોડિંગ કરવામાં અને ભૂલ પ્રચારના સૂત્રો મેળવવામાં મદદરૂપ છે; પરંતુ આ ફોર્મ્યુલામાં વારંવાર ભૂલો હોય છે અને મોન્ટે કાર્લો જેવી સ્વતંત્ર પદ્ધતિ દ્વારા ક્રોસ-ચેક થવી જોઈએ. વ્યવસ્થિત અનિશ્ચિતતાથી રેન્ડમને અલગ પાડવું, યોગ્ય નોંધપાત્ર અંકોની જાણ કરવી અને પરિણામોની તેમની અનિશ્ચિતતા સાથે તુલના કરવી એ પ્રમાણિક વૈજ્ઞાનિક અભ્યાસનો આધાર છે. હવે પછીના એકમમાં આપણે ફોકસને સંખ્યાત્મક વિશ્લેષણમાંથી સાંકેતિક મોડલ વ્યુત્પત્તિ તરફ ખસેડીશું.

એપ્લિકેશન કાર્ય

એવી ગણતરી પસંદ કરો જેમાં ઓછામાં ઓછા બે માપેલા જથ્થાનો સમાવેશ થાય છે (દા.ત. V = πr²h અથવા g = 4π²L/T²). દરેક કદ માટે વાજબી અનિશ્ચિતતા સોંપો. AI ને ટેમ્પ્લેટ 1 વડે ભૂલ પ્રચાર મેળવવા માટે કહો, પછી ટેમ્પલેટ 2 સાથે મોન્ટે કાર્લો ક્રોસ-ચેક કરો અને તેને ચલાવો. શું બે પદ્ધતિઓના પરિણામો સંમત છે? યોગ્ય નોંધપાત્ર અંક સાથે પરિણામની જાણ કરો. 5-6 વાક્યોમાં લખો: શું કોઈ ફોર્મ્યુલા ભૂલ છે કે મેળ ખાતી નથી?

ચેકલિસ્ટ

• [ ] મેં દરેક માપની અનિશ્ચિતતા અને સ્ત્રોત નક્કી કર્યા.
• [ ] મેં અવ્યવસ્થિત અને વ્યવસ્થિત અનિશ્ચિતતાને અલગ કરી.
• [ ] મેં સાચા નિયમ સાથે ભૂલ પ્રચારની ગણતરી કરી.
• [ ] મેં મોન્ટે કાર્લો સાથે અથવા હાથ વડે પરિણામને સ્વતંત્ર રીતે ક્રોસ-ચેક કર્યું.
• [ ] મેં પરિણામની જાણ યોગ્ય નોંધપાત્ર અંક સાથે, તેની અનિશ્ચિતતા સાથે સંરેખિત કરી.
• [ ] પરિણામોની સરખામણી કરતી વખતે મેં અનિશ્ચિતતાને ધ્યાનમાં લીધી.