אי ודאות, התפשטות שגיאות וניתוח מדידה

רווחים:

• יכולת להבחין בין אי ודאות אקראית לשיטתית ולדווח על כל תוצאת מדידה עם אי הוודאות שלה לספרה המשמעותית המתאימה.
• יכולת לחשב התפשטות שגיאות עם הכלל הנכון ולהצליב באופן עצמאי את הנוסחה הנגזרת מבינה מלאכותית עם מונטה קרלו
• יכולת להחליט אם שתי תוצאות תואמות או לא, תוך התחשבות באי הוודאות שלהן

שום מדידה בפיזיקה אינה מושלמת. קיימת אי ודאות של ±0.5 מ"מ במדידת אורך עם סרגל, ו-±0.1 שניות במדידת זמן עם שעון עצר. אי הוודאות הללו אינן פגם, אלא אופי המדידה - והדרישה ליושרה מדעית היא לדווח על כל תוצאה עם אי הוודאות שלה. האמירה "מצאתי שתאוצת הכבידה היא 9.7" אינה שלמה; האמירה "מצאתי 9.7 ± 0.3 מ"ר לשנייה" אומרת לך עד כמה התוצאה אמינה. ביחידה זו תלמד כיצד להשתמש בבינה מלאכותית (AI) לחישוב אי ודאות והפצת שגיאות (כיצד אי ודאות מדידה מועברות מאותן מדידות לתוצאה המחושבת) וכיצד לאמת את החישובים הללו.

סוגי אי ודאות ותפקיד הבינה המלאכותית

ישנם שני סוגים בסיסיים של אי ודאות. אי ודאות אקראית היא פיזור התוצאות במדידות חוזרות ונשנות; מדידות רבות נלקחות ומופחתות לפי הממוצע וסטיית התקן. אי ודאות שיטתית היא שגיאה שתמיד סוטה לאותו כיוון (כמו איזון לא מכויל); זה לא פוחת עם החזרה, אלא מתוקן על ידי מציאת הסיבה. בינה מלאכותית עוזרת להסביר את המושגים הללו, לקודד את החישוב של סטיית התקן והממוצע, ובמיוחד לגזור נוסחאות התפשטות שגיאות מורכבות. אבל אתה חייב לאמת כל נוסחה נגזרת, מכיוון שבינה מלאכותית מערבבת לעתים קרובות סימני נגזרת חלקיים או מבנה שורש ריבועי בנוסחאות התפשטות שגיאות.

סטטוס

חשבון

אימות

מדידה חוזרת

ממוצע ± שגיאת תקן

סטיית תקן ידנית / √N

חיבור/חיסור (z = x ± y)

אי הוודאות מסוכמות מהריבוע

בקרת גודל/יחידה

כפל/חילוק (z = x·y)

אי הוודאות היחסית מסוכמת מהריבוע

בדיקה עם מספר מדגם

תפקיד כללי

ריבוי על ידי נגזרות חלקיות

בדיקה צולבת עם מונטה קרלו

כללים בסיסיים של הפצת שגיאות

בנוסף וחיסור, אי ודאות מוחלטת משולבת על ידי חיבור הריבועים שלהן: אם z = x + y, אי הוודאות של z הופכת ל- √(δx² + δy²). בכפל וחילוק, אי הוודאות היחסית (אחוז) מסוכמת מהריבועים שלהן: אם z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). עבור פונקציות מורכבות יותר, הכלל הכללי הוא להשתמש בנגזרות חלקיות: ההשפעה של כל משתנה על התוצאה נמדדת על ידי הנגזרת החלקית ביחס לאותו משתנה. בינה מלאכותית יכולה לגזור את הנוסחאות הללו, אבל הדרך הבטוחה ביותר לאמת את התוצאה היא בדיקת צולבת של מונטה קרלו: הפצה אקראית של כל קלט לאי הוודאות שלו, חישובה אלפי פעמים והסתכלות על התפלגות הפלט.

טיפ: אם אינך בטוח במידת הדיוק של נוסחת הפצת שגיאה, ספק אותה עם מונטה קרלו: הפק את התשומות באופן אקראי עם אי הוודאות שלהן וחשב את הפונקציה 10,000 פעמים; סטיית התקן של התפוקה חייבת להתאים לאי הוודאות הניתנת על ידי הנוסחה. השילוב של שתי השיטות העצמאיות הללו מגביר מאוד את הביטחון שלך בתוצאה.

צעד אחר צעד: ניתוח אי ודאות כנה

1. קבע את אי הוודאות של כל מדידה. רזולוציית מכשיר, הפצת חזרות או נתוני יצרן. רשום מאיפה נובעת אי הוודאות.

2. להבחין בין אקראי לשיטתי. שקול בנפרד מה יקטן עם החזרה ומה לא.

3. חשב את הממרח בנוסחה הנכונה. חיבור, כפל, פונקציה כללית - בחר את הכלל המתאים. בקש מה-AI להפיק את זה, אבל לשלוט בו.

4. צלב בדיקה עם מונטה קרלו. ספק את התוצאה בשיטה עצמאית, במיוחד עבור נוסחאות מורכבות.

5. דיווח עם ספרות משמעותיות מתאימות. אי הוודאות מעוגלת בדרך כלל ל-1-2 ספרות משמעותיות; התוצאה מתיישרת עם הספרה האחרונה של אי הוודאות. כתוב "9.7 ± 0.4 מ"ר/ש"ר", לא "9.73418 ± 0.4".

שלושה מיני תיקים

מקרה 1 - נוסחת פיזור שגויה. תלמיד שאל את AI על התפשטות אי הוודאות עבור g = 4π²L/T². AI שכח את המקדם של 2 בעת גזירת התרומה של אי הוודאות של T ביחס ל-T (מכיוון ש-T² אי הוודאות היחסית הייתה צריכה להיות 2·δT/T). כשהתלמיד בדק עם מונטה קרלו, הוא גילה שנוסחת ה-AI העריכה את אי הוודאות בכמחצית ותיקנה אותה.

מקרה 2 - טעות שיטתית נסתרת. חוקר אחד לקח מספר רב של מדידות, הקטן מאוד את אי הוודאות האקראית ודיווח על דיוק מרשים של "±0.01 מ"מ. אבל קנה המידה שלו לא היה בקליבר של 0.2 מ"מ - שגיאה שיטתית. אם לוקחים בחשבון טעות זו, שלא פחתה עם החזרה, אי הוודאות האמיתית הייתה גדולה בהרבה. שיעור: החזרה מפחיתה שגיאה אקראית, לא שגיאה שיטתית.

מקרה 3 - מונטה קרלו נשמר. מורה הציג אי ודאות בחשבון נפח (V = πr²h) ומצא תוצאה ביד. מה שבטוח, הוא ביקש מה-AI קוד של מונטה קרלו; הוא יצר באקראי r ו-h עם אי הוודאות שלהם וחישב V 10,000 פעמים. סטיית התקן של ההתפלגות הסכימה עם הערך שנמצא ביד - הניתוח אומת.

ארבע תבניות הניתנות להעתקה

1) גזירת הפצת שגיאה + אימות:

עבור הביטוי z = [נוסחה], גזור התפשטות השגיאה מאי הוודאות של משתנים x ו-y לאי הוודאות של z על ידי נגזרות חלקיות, STEP BY STEP. הצג כל נגזרת חלקית. לאחר מכן אמת את הנוסחה הזו באמצעות SympY.Fitting; סמן את השלב שאינך בטוח לגביו.

2) בדיקת צולבת מונטה קרלו:

כתוב קוד Python שמוצא את אי הוודאות של החישוב הבא באמצעות מונטה קרלו: z = [נוסחה]. תשומות: x = [ערך ± אי ודאות], y = [ערך ± אי ודאות]. דגום כל קלט 10,000 פעמים מהתפלגות נורמלית, חשב את z, הדפס את הממוצע וסטיית התקן של הפלט. השווה זאת עם התוצאה של נוסחת הדיפוזיה האנליטית.

3) סטטיסטיקת מדידה:

כתוב קוד שמחשב את הממוצע, סטיית התקן ושגיאת התקן של הממוצע (std/√N) עבור נתוני המדידה החוזרים ונשנים הבאים ([ערכים]). הדפס את התוצאה בפורמט "ערך ± שגיאת תקן (יחידות)" עם הספרה המשמעותית המתאימה. הזכירו לנו את ההבחנה בין אי ודאות אקראית לשיטתית.

4) בדיקת ספרה/דיווח משמעותית:

כתוב מחדש את התוצאות למטה בצורה "ערך ± אי ודאות (יחידה)", עיגל את אי הוודאות ל-1-2 ספרות משמעותיות ויישר את התוצאה עם אי הוודאות. תקן דיוק כוזב. תוצאות: [כאן]

הנחיה חלשה / הנחיה חזקה

חלש: "חשב את אי הוודאות עבור g."

תוצאה: מספר ללא הקשר, שהנוסחה שלו אינה מאומתת, וללא הבחנה שיטתית/אקראית.

חזק: "עבור g = 4π²L/T², הפק את אי הוודאות של g על ידי נגזרות חלקיות ממדידות של L = 1.00 ± 0.01 מ' ו-T = 2.00 ± 0.02 שניות, ולאחר מכן הצלבה עם מונטה קרלו. כתוב את התוצאה בצורה 'g = ... ± ... m/s² המתאים'."

תוצאה: אי ודאות נגזרת, מאומתת באופן עצמאי, מדווחת כהלכה.

טעויות נפוצות

• לא מדווח על אי ודאות בכלל. מדידה ללא אי ודאות היא חצי אמירה מדעית.
• לא מאמת את נוסחת הפיזור. YZ מערבב לעתים קרובות מקדמי נגזרת חלקיים ומבנה שורש ריבועי; בדיקה צולבת של מונטה קרלו היא חובה.
• מנסה לצמצם שגיאות שיטתיות באמצעות חזרה. מדידה מרובת רק מפחיתה שגיאות אקראית; נותרה שגיאת כיול.
• יצירת ודאות כוזבת. כתיבת ספרות הרבה יותר משמעותיות מאי ודאות היא טענה של דיוק שאינה קיימת.
• איסוף אי ודאויות ישירות. אי הוודאות הבלתי תלויות אינן ליניאריות אלא בריבוע (לשורש הריבועי).

זהירות: אם שתי תוצאות פיזיות הן "שונות" ניתן להחליט רק על ידי הסתכלות על אי הוודאות שלהן. ערכים 9.7 עד 9.81 תואמים אם אי הוודאות היא ±0.3; ±0.02 סותר. התעלמות מאי הוודאות ואומר "התוצאה שלי חורגת מהתיאוריה" היא לרוב מסקנה שגויה. הקפד לאמת את חישוב אי הוודאות שניתן על ידי ה-AI לפני קבלת החלטה.

לסיכום

אי ודאות היא חלק בלתי נפרד מדידה פיזית ויש לדווח על כל תוצאה עם אי הוודאות שלה. AI מועיל בקידוד סטטיסטיקות אי ודאות וגזירת נוסחאות התפשטות שגיאות; אבל נוסחאות אלו מכילות שגיאות תכופות ויש להצליב אותן בשיטה עצמאית כמו מונטה קרלו. הבחנה אקראית מאי ודאות שיטתית, דיווח לספרה המשמעותית המתאימה והשוואת תוצאות לאי הוודאות שלהן היא הבסיס למחקר מדעי כנה. ביחידה הבאה נעביר את המיקוד מניתוח מספרי לגזירת מודל סימבולי.

משימת יישום

בחרו בחישוב הכולל לפחות שתי כמויות מדודות (למשל V = πr²h או g = 4π²L/T²). הקצה אי ודאות סבירה לכל גודל. בקש מה-AI להפיק את התפשטות השגיאה עם תבנית 1, ולאחר מכן בצע את בדיקת מונטה קרלו עם תבנית 2 והפעל אותה. האם התוצאות של שתי השיטות מתאימות? דווח על התוצאה עם הספרה המשמעותית המתאימה. רשום ב-5-6 משפטים: האם יש טעות בנוסחה או אי התאמה?

רשימת בדיקה

• [ ] קבעתי את אי הוודאות והמקור של כל מדידה.
• [ ] הבחנתי באי ודאות אקראית ושיטתית.
• [ ] חישבתי את התפשטות השגיאה עם הכלל הנכון.
• [ ] הצלבתי את התוצאה באופן עצמאי עם מונטה קרלו או ביד.
• [ ] דיווחתי על התוצאה עם הספרה המשמעותית המתאימה, בהתאם לאי הוודאות שלה.
• [ ] לקחתי בחשבון חוסר ודאות בעת השוואת התוצאות.