ಅನಿಶ್ಚಿತತೆ, ದೋಷ ಪ್ರಸರಣ ಮತ್ತು ಮಾಪನ ವಿಶ್ಲೇಷಣೆ

ಲಾಭಗಳು:

• ಯಾದೃಚ್ಛಿಕ ಮತ್ತು ವ್ಯವಸ್ಥಿತ ಅನಿಶ್ಚಿತತೆಯ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಪ್ರತಿ ಮಾಪನ ಫಲಿತಾಂಶವನ್ನು ಅದರ ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಸೂಕ್ತವಾದ ಗಮನಾರ್ಹ ಅಂಕೆಗೆ ವರದಿ ಮಾಡುತ್ತದೆ.
• ಸರಿಯಾದ ನಿಯಮದೊಂದಿಗೆ ದೋಷ ಪ್ರಸರಣವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಮಾಂಟೆ ಕಾರ್ಲೊ ಅವರೊಂದಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಪಡೆದ ಸೂತ್ರವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸುವುದು
• ಎರಡು ಫಲಿತಾಂಶಗಳು ಹೊಂದಾಣಿಕೆಯಾಗುತ್ತವೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವ ಸಾಮರ್ಥ್ಯ, ಅವುಗಳ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ

ಭೌತಶಾಸ್ತ್ರದಲ್ಲಿ ಯಾವುದೇ ಅಳತೆ ಪರಿಪೂರ್ಣವಲ್ಲ. ಆಡಳಿತಗಾರನೊಂದಿಗೆ ಉದ್ದವನ್ನು ಅಳೆಯುವಾಗ ± 0.5 ಮಿಮೀ ಅನಿಶ್ಚಿತತೆ ಇರುತ್ತದೆ ಮತ್ತು ಸ್ಟಾಪ್‌ವಾಚ್‌ನೊಂದಿಗೆ ಸಮಯವನ್ನು ಅಳೆಯುವಾಗ ± 0.1 ಸೆ. ಈ ಅನಿಶ್ಚಿತತೆಗಳು ದೋಷವಲ್ಲ, ಆದರೆ ಮಾಪನದ ಸ್ವರೂಪ-ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಸಮಗ್ರತೆಯ ಅವಶ್ಯಕತೆಯು ಪ್ರತಿ ಫಲಿತಾಂಶವನ್ನು ಅದರ ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ವರದಿ ಮಾಡುವುದು. "ನಾನು ಗುರುತ್ವಾಕರ್ಷಣೆಯ ವೇಗವರ್ಧನೆಯನ್ನು 9.7 ಎಂದು ಕಂಡುಕೊಂಡಿದ್ದೇನೆ" ಎಂದು ಹೇಳುವುದು ಅಪೂರ್ಣವಾಗಿದೆ; "ನಾನು 9.7 ± 0.3 m/s² ಅನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೇನೆ" ಎಂದು ಹೇಳುವುದರಿಂದ ಫಲಿತಾಂಶವು ಎಷ್ಟು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ ಎಂದು ಹೇಳುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, ಅನಿಶ್ಚಿತತೆಯ ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ದೋಷ ಪ್ರಸರಣಕ್ಕಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು (ಆ ಅಳತೆಗಳಿಂದ ಲೆಕ್ಕಾಚಾರದ ಫಲಿತಾಂಶಕ್ಕೆ ಮಾಪನ ಅನಿಶ್ಚಿತತೆಗಳನ್ನು ಹೇಗೆ ಸಾಗಿಸಲಾಗುತ್ತದೆ) ಮತ್ತು ಈ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಹೇಗೆ ಪರಿಶೀಲಿಸುವುದು ಎಂಬುದನ್ನು ನೀವು ಕಲಿಯುವಿರಿ.

ಅನಿಶ್ಚಿತತೆಯ ವಿಧಗಳು ಮತ್ತು AI ಪಾತ್ರ

ಅನಿಶ್ಚಿತತೆಯ ಎರಡು ಮೂಲಭೂತ ವಿಧಗಳಿವೆ. ಯಾದೃಚ್ಛಿಕ ಅನಿಶ್ಚಿತತೆಯು ಪುನರಾವರ್ತಿತ ಅಳತೆಗಳಲ್ಲಿ ಫಲಿತಾಂಶಗಳ ಚದುರುವಿಕೆಯಾಗಿದೆ; ಸರಾಸರಿ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನದಿಂದ ಅನೇಕ ಅಳತೆಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ ಮತ್ತು ಕಡಿಮೆಗೊಳಿಸಲಾಗುತ್ತದೆ. ವ್ಯವಸ್ಥಿತ ಅನಿಶ್ಚಿತತೆಯು ಯಾವಾಗಲೂ ಒಂದೇ ದಿಕ್ಕಿನಲ್ಲಿ ವಿಚಲನಗೊಳ್ಳುವ ದೋಷವಾಗಿದೆ (ತಪ್ಪಾದ ಮಾಪನಾಂಕ ನಿರ್ಣಯದಂತೆ); ಇದು ಪುನರಾವರ್ತನೆಯಿಂದ ಕಡಿಮೆಯಾಗುವುದಿಲ್ಲ, ಆದರೆ ಕಾರಣವನ್ನು ಕಂಡುಹಿಡಿಯುವ ಮೂಲಕ ಸರಿಪಡಿಸಲಾಗುತ್ತದೆ. AI ಈ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸುವಲ್ಲಿ ಸಹಾಯಕವಾಗಿದೆ, ಪ್ರಮಾಣಿತ ವಿಚಲನ ಮತ್ತು ಸರಾಸರಿ ಲೆಕ್ಕಾಚಾರವನ್ನು ಕ್ರೋಡೀಕರಿಸುತ್ತದೆ ಮತ್ತು - ವಿಶೇಷವಾಗಿ - ಸಂಕೀರ್ಣ ದೋಷ ಪ್ರಸರಣ ಸೂತ್ರಗಳನ್ನು ಪಡೆಯುತ್ತದೆ. ಆದರೆ ನೀವು ಪ್ರತಿ ಪಡೆದ ಸೂತ್ರವನ್ನು ಪರಿಶೀಲಿಸಬೇಕು, ಏಕೆಂದರೆ AI ಸಾಮಾನ್ಯವಾಗಿ ದೋಷ ಪ್ರಸರಣ ಸೂತ್ರಗಳಲ್ಲಿ ಭಾಗಶಃ ಉತ್ಪನ್ನ ಚಿಹ್ನೆಗಳು ಅಥವಾ ವರ್ಗಮೂಲ ರಚನೆಯನ್ನು ಮಿಶ್ರಣ ಮಾಡುತ್ತದೆ.

ಸ್ಥಿತಿ

ಖಾತೆ

ಪರಿಶೀಲನೆ

ಪುನರಾವರ್ತಿತ ಅಳತೆ

ಸರಾಸರಿ ± ಪ್ರಮಾಣಿತ ದೋಷ

ಹಸ್ತಚಾಲಿತ ಪ್ರಮಾಣಿತ ವಿಚಲನ / √N

ಸಂಕಲನ/ವ್ಯವಕಲನ (z = x ± y)

ಚೌಕದಿಂದ ಅನಿಶ್ಚಿತತೆಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಲಾಗುತ್ತದೆ

ಗಾತ್ರ / ಘಟಕ ನಿಯಂತ್ರಣ

ಗುಣಾಕಾರ/ವಿಭಾಗ (z = x·y)

ಸಂಬಂಧಿತ ಅನಿಶ್ಚಿತತೆಗಳನ್ನು ಚೌಕದಿಂದ ಒಟ್ಟುಗೂಡಿಸಲಾಗುತ್ತದೆ

ಮಾದರಿ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ

ಸಾಮಾನ್ಯ ಕಾರ್ಯ

ಭಾಗಶಃ ಉತ್ಪನ್ನಗಳಿಂದ ಪ್ರಸರಣ

ಮಾಂಟೆ ಕಾರ್ಲೊ ಅವರೊಂದಿಗೆ ಕ್ರಾಸ್-ಚೆಕಿಂಗ್

ದೋಷ ಪ್ರಸರಣದ ಮೂಲ ನಿಯಮಗಳು

ಜೊತೆಗೆ ಮತ್ತು ವ್ಯವಕಲನದ ಜೊತೆಗೆ, ಸಂಪೂರ್ಣ ಅನಿಶ್ಚಿತತೆಗಳನ್ನು ಅವುಗಳ ವರ್ಗಗಳನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ: z = x + y ಆಗಿದ್ದರೆ, z ನ ಅನಿಶ್ಚಿತತೆಯು √(δx² + δy²) ಆಗುತ್ತದೆ. ಗುಣಾಕಾರ ಮತ್ತು ಭಾಗಾಕಾರದಲ್ಲಿ, ಸಾಪೇಕ್ಷ (ಶೇಕಡಾವಾರು) ಅನಿಶ್ಚಿತತೆಗಳನ್ನು ಅವುಗಳ ವರ್ಗಗಳಿಂದ ಕೂಡಿಸಲಾಗುತ್ತದೆ: z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಕಾರ್ಯಗಳಿಗಾಗಿ, ಸಾಮಾನ್ಯ ನಿಯಮವು ಭಾಗಶಃ ಉತ್ಪನ್ನಗಳನ್ನು ಬಳಸುವುದು: ಫಲಿತಾಂಶದ ಮೇಲೆ ಪ್ರತಿ ವೇರಿಯಬಲ್‌ನ ಪರಿಣಾಮವನ್ನು ಆ ವೇರಿಯಬಲ್‌ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಭಾಗಶಃ ಉತ್ಪನ್ನದಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ. AI ಈ ಸೂತ್ರಗಳನ್ನು ಪಡೆಯಬಹುದು, ಆದರೆ ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸಲು ಸುರಕ್ಷಿತ ಮಾರ್ಗವೆಂದರೆ ಮಾಂಟೆ ಕಾರ್ಲೋ ಕ್ರಾಸ್-ಚೆಕ್: ಯಾದೃಚ್ಛಿಕವಾಗಿ ಪ್ರತಿ ಇನ್‌ಪುಟ್ ಅನ್ನು ಅದರ ಅನಿಶ್ಚಿತತೆಗೆ ವಿತರಿಸುವುದು, ಅದನ್ನು ಸಾವಿರಾರು ಬಾರಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಮತ್ತು ಔಟ್‌ಪುಟ್‌ನ ವಿತರಣೆಯನ್ನು ನೋಡುವುದು.

ಸಲಹೆ: ದೋಷ ಪ್ರಸರಣ ಸೂತ್ರದ ನಿಖರತೆಯ ಬಗ್ಗೆ ನಿಮಗೆ ಖಚಿತವಿಲ್ಲದಿದ್ದರೆ, ಅದನ್ನು ಮಾಂಟೆ ಕಾರ್ಲೊ ಜೊತೆಗೆ ಒದಗಿಸಿ: ಯಾದೃಚ್ಛಿಕವಾಗಿ ಅವುಗಳ ಸ್ವಂತ ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ರಚಿಸಿ ಮತ್ತು ಕಾರ್ಯವನ್ನು 10,000 ಬಾರಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ; ಔಟ್‌ಪುಟ್‌ನ ಪ್ರಮಾಣಿತ ವಿಚಲನವು ಸೂತ್ರದಿಂದ ನೀಡಲಾದ ಅನಿಶ್ಚಿತತೆಗೆ ಹೊಂದಿಕೆಯಾಗಬೇಕು. ಈ ಎರಡು ಸ್ವತಂತ್ರ ವಿಧಾನಗಳ ಸಂಯೋಜನೆಯು ಫಲಿತಾಂಶದಲ್ಲಿ ನಿಮ್ಮ ವಿಶ್ವಾಸವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.

ಹಂತ ಹಂತವಾಗಿ: ಪ್ರಾಮಾಣಿಕ ಅನಿಶ್ಚಿತತೆಯ ವಿಶ್ಲೇಷಣೆ

1. ಪ್ರತಿ ಅಳತೆಯ ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ಧರಿಸಿ. ಉಪಕರಣದ ರೆಸಲ್ಯೂಶನ್, ಪುನರಾವರ್ತನೆಗಳ ವಿತರಣೆ ಅಥವಾ ತಯಾರಕ ಡೇಟಾ. ಅನಿಶ್ಚಿತತೆ ಎಲ್ಲಿಂದ ಬರುತ್ತದೆ ಎಂದು ಬರೆಯಿರಿ.

2. ಯಾದೃಚ್ಛಿಕ ಮತ್ತು ವ್ಯವಸ್ಥಿತ ನಡುವೆ ವ್ಯತ್ಯಾಸ. ಪುನರಾವರ್ತನೆಯಿಂದ ಯಾವುದು ಕಡಿಮೆಯಾಗುತ್ತದೆ ಮತ್ತು ಯಾವುದು ಆಗುವುದಿಲ್ಲ ಎಂಬುದನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಪರಿಗಣಿಸಿ.

3. ಸರಿಯಾದ ಸೂತ್ರದೊಂದಿಗೆ ಹರಡುವಿಕೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ಸಂಕಲನ, ಗುಣಾಕಾರ, ಸಾಮಾನ್ಯ ಕಾರ್ಯ - ಸೂಕ್ತವಾದ ನಿಯಮವನ್ನು ಆರಿಸಿ. AI ಅನ್ನು ಪಡೆದುಕೊಳ್ಳಿ, ಆದರೆ ಅದನ್ನು ನಿಯಂತ್ರಿಸಿ.

4. ಮಾಂಟೆ ಕಾರ್ಲೋ ಜೊತೆ ಕ್ರಾಸ್ ಚೆಕ್. ಸ್ವತಂತ್ರ ವಿಧಾನದಲ್ಲಿ ಫಲಿತಾಂಶವನ್ನು ಒದಗಿಸಿ, ವಿಶೇಷವಾಗಿ ಸಂಕೀರ್ಣ ಸೂತ್ರಗಳಿಗೆ.

5. ಸೂಕ್ತವಾದ ಗಮನಾರ್ಹ ಅಂಕಿಗಳೊಂದಿಗೆ ವರದಿ ಮಾಡಿ. ಅನಿಶ್ಚಿತತೆಯು ಸಾಮಾನ್ಯವಾಗಿ 1-2 ಗಮನಾರ್ಹ ಅಂಕೆಗಳಿಗೆ ದುಂಡಾಗಿರುತ್ತದೆ; ಫಲಿತಾಂಶವು ಅನಿಶ್ಚಿತತೆಯ ಕೊನೆಯ ಅಂಕೆಯೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ. "9.7 ± 0.4 m/s²" ಬರೆಯಿರಿ, "9.73418 ± 0.4" ಅಲ್ಲ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ತಪ್ಪಾದ ಸ್ಪ್ರೆಡ್ ಸೂತ್ರ. ವಿದ್ಯಾರ್ಥಿಯೊಬ್ಬ g = 4π²L/T² ಗಾಗಿ ಅನಿಶ್ಚಿತತೆಯ ಪ್ರಸರಣದ ಬಗ್ಗೆ AI ಅನ್ನು ಕೇಳಿದನು. T ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ T ಯ ಅನಿಶ್ಚಿತತೆಯ ಕೊಡುಗೆಯನ್ನು ಪಡೆದಾಗ AI 2 ರ ಗುಣಾಂಕವನ್ನು ಮರೆತುಬಿಟ್ಟಿದೆ (T² ಸಂಬಂಧಿತ ಅನಿಶ್ಚಿತತೆಯು 2·δT/T ಆಗಿರಬೇಕು). ವಿದ್ಯಾರ್ಥಿಯು ಮಾಂಟೆ ಕಾರ್ಲೊ ಅವರೊಂದಿಗೆ ಕ್ರಾಸ್-ಚೆಕ್ ಮಾಡಿದಾಗ, AI ಸೂತ್ರವು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಅರ್ಧದಷ್ಟು ಅಂದಾಜು ಮಾಡಿದೆ ಮತ್ತು ಅದನ್ನು ಸರಿಪಡಿಸಿದೆ ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು.

ಪ್ರಕರಣ 2 - ವ್ಯವಸ್ಥಿತ ದೋಷವನ್ನು ಮರೆಮಾಡಲಾಗಿದೆ. ಒಬ್ಬ ಸಂಶೋಧಕರು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಅಳತೆಗಳನ್ನು ತೆಗೆದುಕೊಂಡರು, ಯಾದೃಚ್ಛಿಕ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಬಹಳ ಕಡಿಮೆ ಮಾಡಿದರು ಮತ್ತು "± 0.01 ಮಿಮೀ" ನ ಪ್ರಭಾವಶಾಲಿ ನಿಖರತೆಯನ್ನು ವರದಿ ಮಾಡಿದರು. ಆದರೆ ಅದರ ಪ್ರಮಾಣವು 0.2 ಮಿಮೀ ಆಫ್ ಕ್ಯಾಲಿಬರ್ ಆಗಿತ್ತು - ಒಂದು ವ್ಯವಸ್ಥಿತ ದೋಷ. ಪುನರಾವರ್ತನೆಯೊಂದಿಗೆ ಕಡಿಮೆಯಾಗದ ಈ ದೋಷವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡು, ನಿಜವಾದ ಅನಿಶ್ಚಿತತೆ ಹೆಚ್ಚು. ಪಾಠ: ಪುನರಾವರ್ತನೆಯು ಯಾದೃಚ್ಛಿಕ ದೋಷವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ವ್ಯವಸ್ಥಿತ ದೋಷವಲ್ಲ.

ಪ್ರಕರಣ 3 - ಮಾಂಟೆ ಕಾರ್ಲೊ ಉಳಿಸಲಾಗಿದೆ. ಒಬ್ಬ ಶಿಕ್ಷಕನು ಪರಿಮಾಣದ ಕಲನಶಾಸ್ತ್ರದಲ್ಲಿ (V = πr²h) ಅನಿಶ್ಚಿತತೆಯನ್ನು ಪರಿಚಯಿಸಿದನು ಮತ್ತು ಕೈಯಿಂದ ಫಲಿತಾಂಶವನ್ನು ಕಂಡುಕೊಂಡನು. ಖಚಿತವಾಗಿ, ಅವರು ಮಾಂಟೆ ಕಾರ್ಲೊ ಕೋಡ್‌ಗಾಗಿ AI ಅನ್ನು ಕೇಳಿದರು; ಅವರು ತಮ್ಮ ಅನಿಶ್ಚಿತತೆಗಳೊಂದಿಗೆ ಯಾದೃಚ್ಛಿಕವಾಗಿ r ಮತ್ತು h ಅನ್ನು ರಚಿಸಿದರು ಮತ್ತು V ಅನ್ನು 10,000 ಬಾರಿ ಲೆಕ್ಕ ಹಾಕಿದರು. ವಿತರಣೆಯ ಪ್ರಮಾಣಿತ ವಿಚಲನವು ಕೈಯಿಂದ ಕಂಡುಬರುವ ಮೌಲ್ಯದೊಂದಿಗೆ ಒಪ್ಪಿಕೊಂಡಿತು - ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮೌಲ್ಯೀಕರಿಸಲಾಗಿದೆ.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ದೋಷ ಪ್ರಸರಣ ವ್ಯುತ್ಪತ್ತಿ + ಪರಿಶೀಲನೆ:

z = [ಸೂತ್ರ] ಅಭಿವ್ಯಕ್ತಿಗಾಗಿ, ದೋಷ ಪ್ರಸರಣವನ್ನು x ಮತ್ತು y ಅಸ್ಥಿರಗಳ ಅನಿಶ್ಚಿತತೆಯಿಂದ ಭಾಗಶಃ ಉತ್ಪನ್ನಗಳಿಂದ z ನ ಅನಿಶ್ಚಿತತೆಗೆ, STEP BY STEP ಅನ್ನು ಪಡೆದುಕೊಳ್ಳಿ. ಪ್ರತಿ ಭಾಗಶಃ ಉತ್ಪನ್ನವನ್ನು ತೋರಿಸಿ. ನಂತರ ಈ ಸೂತ್ರವನ್ನು SympY.Fitting ನೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿ; ನೀವು ಖಚಿತವಾಗಿರದ ಹಂತವನ್ನು ಗುರುತಿಸಿ.

2) ಮಾಂಟೆ ಕಾರ್ಲೋ ಕ್ರಾಸ್ ಚೆಕ್:

ಮಾಂಟೆ ಕಾರ್ಲೊ ಬಳಸಿ ಕೆಳಗಿನ ಲೆಕ್ಕಾಚಾರದ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಕಂಡುಕೊಳ್ಳುವ ಪೈಥಾನ್ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ: z = [ಸೂತ್ರ]. ಇನ್‌ಪುಟ್‌ಗಳು: x = [ಮೌಲ್ಯ ± ಅನಿಶ್ಚಿತತೆ], y = [ಮೌಲ್ಯ ± ಅನಿಶ್ಚಿತತೆ]. ಪ್ರತಿ ಇನ್‌ಪುಟ್ ಅನ್ನು ಸಾಮಾನ್ಯ ವಿತರಣೆಯಿಂದ 10,000 ಬಾರಿ ಮಾದರಿ ಮಾಡಿ, z ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ, ಔಟ್‌ಪುಟ್‌ನ ಸರಾಸರಿ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಮುದ್ರಿಸಿ. ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಸರಣ ಸೂತ್ರದ ಫಲಿತಾಂಶದೊಂದಿಗೆ ಇದನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ.

3) ಮಾಪನ ಅಂಕಿಅಂಶಗಳು:

ಕೆಳಗಿನ ಪುನರಾವರ್ತಿತ ಮಾಪನ ಡೇಟಾ ([ಮೌಲ್ಯಗಳು]) ಗಾಗಿ ಸರಾಸರಿ (std/√N) ನ ಸರಾಸರಿ, ಪ್ರಮಾಣಿತ ವಿಚಲನ ಮತ್ತು ಪ್ರಮಾಣಿತ ದೋಷವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ. "ಮೌಲ್ಯ ± ಪ್ರಮಾಣಿತ ದೋಷ (ಘಟಕಗಳು)" ಸ್ವರೂಪದಲ್ಲಿ ಫಲಿತಾಂಶವನ್ನು ಸೂಕ್ತವಾದ ಗಮನಾರ್ಹ ಅಂಕೆಯೊಂದಿಗೆ ಮುದ್ರಿಸಿ. ಯಾದೃಚ್ಛಿಕ ಮತ್ತು ವ್ಯವಸ್ಥಿತ ಅನಿಶ್ಚಿತತೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ನಮಗೆ ನೆನಪಿಸಿ.

4) ಮಹತ್ವದ ಅಂಕಿ / ವರದಿ ಪರಿಶೀಲನೆ:

ಕೆಳಗಿನ ಫಲಿತಾಂಶಗಳನ್ನು "ಮೌಲ್ಯ ± ಅನಿಶ್ಚಿತತೆ (ಘಟಕ)" ರೂಪದಲ್ಲಿ ಪುನಃ ಬರೆಯಿರಿ, ಅನಿಶ್ಚಿತತೆಯನ್ನು 1-2 ಗಮನಾರ್ಹ ಅಂಕೆಗಳಿಗೆ ಪೂರ್ಣಗೊಳಿಸಿ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಜೋಡಿಸಿ. ತಪ್ಪು ನಿಖರತೆಯನ್ನು ಸರಿಪಡಿಸಿ. ಫಲಿತಾಂಶಗಳು: [ಇಲ್ಲಿ]

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ: "g ಗೆ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ."

ಫಲಿತಾಂಶ: ಸಂದರ್ಭವಿಲ್ಲದ ಸಂಖ್ಯೆ, ಅದರ ಸೂತ್ರವನ್ನು ಪರಿಶೀಲಿಸಲಾಗಿಲ್ಲ ಮತ್ತು ವ್ಯವಸ್ಥಿತ/ಯಾದೃಚ್ಛಿಕ ವ್ಯತ್ಯಾಸವಿಲ್ಲದೆ.

ಪ್ರಬಲ: "g = 4π²L/T² ಗಾಗಿ, L = 1.00 ± 0.01 m ಮತ್ತು T = 2.00 ± 0.02 s ನ ಮಾಪನಗಳಿಂದ ಭಾಗಶಃ ಉತ್ಪನ್ನಗಳ ಮೂಲಕ g ನ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಪಡೆದುಕೊಳ್ಳಿ, ನಂತರ Monte Carlo ನೊಂದಿಗೆ ಕ್ರಾಸ್-ಚೆಕ್ ಮಾಡಿ. m ± ± ಅಂಕಿಯೊಂದಿಗೆ ಸೂಕ್ತವಾದ ರೂಪದಲ್ಲಿ ಬರೆಯಿರಿ.

ಫಲಿತಾಂಶ: ಪಡೆದ, ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸಿದ, ಸರಿಯಾಗಿ ವರದಿ ಮಾಡಲಾದ ಅನಿಶ್ಚಿತತೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಅನಿಶ್ಚಿತತೆಯನ್ನು ವರದಿ ಮಾಡುತ್ತಿಲ್ಲ. ಅನಿಶ್ಚಿತತೆಯಿಲ್ಲದ ಮಾಪನವು ವೈಜ್ಞಾನಿಕ ಅರ್ಧ-ಹೇಳಿಕೆಯಾಗಿದೆ.
• ಸ್ಪ್ರೆಡ್ ಫಾರ್ಮುಲಾವನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ. YZ ಆಗಾಗ್ಗೆ ಭಾಗಶಃ ಉತ್ಪನ್ನ ಗುಣಾಂಕಗಳನ್ನು ಮತ್ತು ವರ್ಗಮೂಲ ರಚನೆಯನ್ನು ಮಿಶ್ರಣ ಮಾಡುತ್ತದೆ; ಮಾಂಟೆ ಕಾರ್ಲೋ ಕ್ರಾಸ್-ಚೆಕಿಂಗ್ ಅತ್ಯಗತ್ಯ.
• ಪುನರಾವರ್ತನೆಯ ಮೂಲಕ ವ್ಯವಸ್ಥಿತ ದೋಷವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ. ಬಹು-ಮಾಪನವು ಯಾದೃಚ್ಛಿಕ ದೋಷವನ್ನು ಮಾತ್ರ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ; ಮಾಪನಾಂಕ ನಿರ್ಣಯ ದೋಷ ಉಳಿದಿದೆ.
• ಸುಳ್ಳು ಖಚಿತತೆಯನ್ನು ಸೃಷ್ಟಿಸುವುದು. ಅನಿಶ್ಚಿತತೆಗಿಂತ ಹೆಚ್ಚು ಮಹತ್ವದ ಅಂಕೆಗಳನ್ನು ಬರೆಯುವುದು ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ನಿಖರತೆಯ ಹಕ್ಕು.
• ಅನಿಶ್ಚಿತತೆಗಳನ್ನು ನೇರವಾಗಿ ಸಂಗ್ರಹಿಸುವುದು. ಸ್ವತಂತ್ರ ಅನಿಶ್ಚಿತತೆಗಳು ರೇಖಾತ್ಮಕವಾಗಿರದೆ ವರ್ಗಗಳಾಗಿರುತ್ತವೆ (ವರ್ಗಮೂಲಕ್ಕೆ).

ಎಚ್ಚರಿಕೆ: ಎರಡು ಭೌತಿಕ ಫಲಿತಾಂಶಗಳು "ವಿಭಿನ್ನ" ಎಂಬುದನ್ನು ಅವುಗಳ ಅನಿಶ್ಚಿತತೆಯನ್ನು ನೋಡುವ ಮೂಲಕ ಮಾತ್ರ ನಿರ್ಧರಿಸಬಹುದು. ಅನಿಶ್ಚಿತತೆಯು ± 0.3 ಆಗಿದ್ದರೆ 9.7 ರಿಂದ 9.81 ರವರೆಗಿನ ಮೌಲ್ಯಗಳು ಹೊಂದಾಣಿಕೆಯಾಗುತ್ತವೆ; ± 0.02 ವಿರೋಧಾಭಾಸವಾಗಿದೆ. ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು ಮತ್ತು "ನನ್ನ ಫಲಿತಾಂಶವು ಸಿದ್ಧಾಂತದಿಂದ ಭಿನ್ನವಾಗಿದೆ" ಎಂದು ಹೇಳುವುದು ಸಾಮಾನ್ಯವಾಗಿ ತಪ್ಪಾದ ತೀರ್ಮಾನವಾಗಿದೆ. ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಮೊದಲು AI ನೀಡಿದ ಅನಿಶ್ಚಿತತೆಯ ಲೆಕ್ಕಾಚಾರವನ್ನು ಪರಿಶೀಲಿಸಲು ಮರೆಯದಿರಿ.

ಸಾರಾಂಶದಲ್ಲಿ

ಅನಿಶ್ಚಿತತೆಯು ಭೌತಿಕ ಮಾಪನಕ್ಕೆ ಅವಿಭಾಜ್ಯವಾಗಿದೆ ಮತ್ತು ಪ್ರತಿ ಫಲಿತಾಂಶವನ್ನು ಅದರ ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ವರದಿ ಮಾಡಬೇಕು. ಅನಿಶ್ಚಿತತೆಯ ಅಂಕಿಅಂಶಗಳನ್ನು ಕೋಡಿಂಗ್ ಮಾಡಲು ಮತ್ತು ದೋಷ ಪ್ರಸರಣ ಸೂತ್ರಗಳನ್ನು ಪಡೆಯಲು AI ಸಹಾಯಕವಾಗಿದೆ; ಆದರೆ ಈ ಸೂತ್ರಗಳು ಆಗಾಗ್ಗೆ ದೋಷಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ ಮತ್ತು ಮಾಂಟೆ ಕಾರ್ಲೋನಂತಹ ಸ್ವತಂತ್ರ ವಿಧಾನದಿಂದ ಅಡ್ಡ-ಪರಿಶೀಲಿಸಬೇಕು. ವ್ಯವಸ್ಥಿತ ಅನಿಶ್ಚಿತತೆಯಿಂದ ಯಾದೃಚ್ಛಿಕವನ್ನು ಪ್ರತ್ಯೇಕಿಸುವುದು, ಸೂಕ್ತವಾದ ಗಮನಾರ್ಹ ಅಂಕಿಗಳಿಗೆ ವರದಿ ಮಾಡುವುದು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಅವುಗಳ ಅನಿಶ್ಚಿತತೆಗೆ ಹೋಲಿಸುವುದು ಪ್ರಾಮಾಣಿಕ ವೈಜ್ಞಾನಿಕ ಅಧ್ಯಯನದ ಆಧಾರವಾಗಿದೆ. ಮುಂದಿನ ಘಟಕದಲ್ಲಿ ನಾವು ಸಾಂಖ್ಯಿಕ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಸಾಂಕೇತಿಕ ಮಾದರಿಯ ವ್ಯುತ್ಪನ್ನಕ್ಕೆ ಗಮನವನ್ನು ಬದಲಾಯಿಸುತ್ತೇವೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಕನಿಷ್ಠ ಎರಡು ಅಳತೆಯ ಪ್ರಮಾಣಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಲೆಕ್ಕಾಚಾರವನ್ನು ಆರಿಸಿ (ಉದಾ. V = πr²h ಅಥವಾ g = 4π²L/T²). ಪ್ರತಿ ಗಾತ್ರಕ್ಕೆ ಸಮಂಜಸವಾದ ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿಗದಿಪಡಿಸಿ. ಟೆಂಪ್ಲೇಟ್ 1 ನೊಂದಿಗೆ AI ದೋಷ ಪ್ರಸರಣವನ್ನು ಪಡೆದುಕೊಳ್ಳಿ, ನಂತರ ಟೆಂಪ್ಲೇಟ್ 2 ನೊಂದಿಗೆ ಮಾಂಟೆ ಕಾರ್ಲೋ ಕ್ರಾಸ್-ಚೆಕ್ ಮಾಡಿ ಮತ್ತು ಅದನ್ನು ಚಲಾಯಿಸಿ. ಎರಡು ವಿಧಾನಗಳ ಫಲಿತಾಂಶಗಳು ಒಪ್ಪುತ್ತವೆಯೇ? ಸೂಕ್ತವಾದ ಗಮನಾರ್ಹ ಅಂಕೆಯೊಂದಿಗೆ ಫಲಿತಾಂಶವನ್ನು ವರದಿ ಮಾಡಿ. 5-6 ವಾಕ್ಯಗಳಲ್ಲಿ ಬರೆಯಿರಿ: ಫಾರ್ಮುಲಾ ದೋಷ ಅಥವಾ ಹೊಂದಾಣಿಕೆಯಿಲ್ಲವೇ?

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಪ್ರತಿ ಅಳತೆಯ ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ಮೂಲವನ್ನು ನಿರ್ಧರಿಸಿದೆ.
• [ ] ನಾನು ಯಾದೃಚ್ಛಿಕ ಮತ್ತು ವ್ಯವಸ್ಥಿತ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಗುರುತಿಸಿದೆ.
• [ ] ನಾನು ದೋಷ ಪ್ರಸರಣವನ್ನು ಸರಿಯಾದ ನಿಯಮದೊಂದಿಗೆ ಲೆಕ್ಕ ಹಾಕಿದ್ದೇನೆ.
• [ ] ನಾನು ಮಾಂಟೆ ಕಾರ್ಲೊ ಅಥವಾ ಕೈಯಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಫಲಿತಾಂಶವನ್ನು ಅದರ ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಸೂಕ್ತ ಮಹತ್ವದ ಅಂಕೆಯೊಂದಿಗೆ ವರದಿ ಮಾಡಿದ್ದೇನೆ.
• [ ] ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಿದಾಗ ನಾನು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡಿದ್ದೇನೆ.