Câștiguri:
- Capacitatea de a distinge între incertitudinea aleatorie și sistematică și de a raporta fiecare rezultat de măsurare cu incertitudinea sa la cifra semnificativă corespunzătoare.
- Abilitatea de a calcula propagarea erorilor cu regula corectă și de a verifica independent formula derivată de inteligența artificială cu Monte Carlo
- Capacitatea de a decide dacă două rezultate sunt compatibile sau nu, ținând cont de incertitudinea lor
Nicio măsurătoare în fizică nu este perfectă. Există o incertitudine de ±0,5 mm la măsurarea lungimii cu o riglă și de ±0,1 s la măsurarea timpului cu un cronometru. Aceste incertitudini nu sunt un defect, ci natura măsurării – iar cerința integrității științifice este de a raporta fiecare rezultat cu incertitudinea sa. A spune „am găsit că accelerația gravitațională este de 9,7” este incomplet; A spune „Am găsit 9,7 ± 0,3 m/s²” vă spune cât de fiabil este rezultatul. În această unitate, veți învăța cum să utilizați inteligența artificială (AI) pentru calcularea incertitudinii și propagarea erorilor (cum sunt transmise incertitudinile de măsurare de la acele măsurători la rezultatul calculat) și cum să verificați aceste calcule.
Tipuri de incertitudine și rolul AI
Există două tipuri de bază de incertitudine. Incertitudinea aleatorie este împrăștierea rezultatelor în măsurători repetate; Multe măsurători sunt luate și reduse prin medie și deviația standard. Incertitudinea sistematică este o eroare care deviază întotdeauna în aceeași direcție (ca o balanță greșită); Nu scade cu repetarea, ci se corectează prin găsirea cauzei. AI este utilă în explicarea acestor concepte, codificarea calculului abaterii standard și a mediei și — mai ales — obținerea de formule complexe de propagare a erorilor. Dar trebuie să verificați fiecare formulă derivată, deoarece AI amestecă adesea semne derivate parțiale sau structura rădăcinii pătrate în formulele de propagare a erorilor.
Stare
cont
verificarea
Măsurare repetată
Medie ± eroare standard
Abatere standard manuală / √N
Adunarea/scăderea (z = x ± y)
Incertitudinile sunt însumate din pătrat
Control dimensiune/unitate
Înmulțire/împărțire (z = x·y)
Incertitudinile relative sunt însumate din pătrat
Testați cu numărul de probă
Funcția generală
Propagare prin derivate parțiale
Verificare încrucișată cu Monte Carlo
Reguli de bază de propagare a erorilor
În plus și scădere, incertitudinile absolute sunt combinate prin adăugarea pătratelor lor: Dacă z = x + y, incertitudinea lui z devine √(δx² + δy²). În înmulțire și împărțire, incertitudinile relative (procentale) sunt însumate din pătratele lor: Dacă z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Pentru funcții mai complexe, regula generală este utilizarea derivatelor parțiale: efectul fiecărei variabile asupra rezultatului este măsurat de derivata parțială în raport cu acea variabilă. AI poate deriva aceste formule, dar cea mai sigură modalitate de a verifica rezultatul este o verificare încrucișată Monte Carlo: distribuirea aleatorie a fiecărei intrări în funcție de incertitudinea sa, calcularea acesteia de mii de ori și analizarea distribuției rezultatelor.
Sfat: Dacă nu sunteți sigur de acuratețea unei formule de propagare a erorilor, furnizați-o cu Monte Carlo: generați aleatoriu intrările cu propria lor incertitudine și calculați funcția de 10.000 de ori; Abaterea standard a ieșirii trebuie să se potrivească cu incertitudinea dată de formulă. Combinația acestor două metode independente vă crește foarte mult încrederea în rezultat.
Pas cu pas: o analiză onesta a incertitudinii
1. Determinați incertitudinea fiecărei măsurători. Rezoluția instrumentului, distribuția repetărilor sau datele producătorului. Scrieți de unde vine incertitudinea.
2. Distinge între aleatoriu și sistematic. Luați în considerare separat ce va scădea cu repetarea și ce nu.
3. Calculați spread-ul cu formula corectă. Adunare, înmulțire, funcție generală — alegeți regula potrivită. Pune AI să o obțină, dar să o controleze.
4. Verificați încrucișați cu Monte Carlo. Furnizați rezultatul într-o metodă independentă, în special pentru formule complexe.
5. Raport cu cifre semnificative adecvate. Incertitudinea este de obicei rotunjită la 1-2 cifre semnificative; rezultatul se aliniază cu ultima cifră a incertitudinii. Scrieți „9,7 ± 0,4 m/s²”, nu „9,73418 ± 0,4”.
trei mini cutii
Cazul 1 — Formula de răspândire greșită. Un student l-a întrebat pe AI despre propagarea incertitudinii pentru g = 4π²L/T². AI a uitat coeficientul de 2 când a dedus contribuția incertitudinii lui T față de T (din moment ce T² incertitudinea relativă ar fi trebuit să fie 2·δT/T). Când studentul a verificat încrucișat cu Monte Carlo, a descoperit că formula AI a estimat incertitudinea la aproximativ jumătate și a corectat-o.
Cazul 2 — Eroare sistematică ascunsă. Un cercetător a făcut un număr mare de măsurători, a făcut ca incertitudinea aleatorie să fie foarte mică și a raportat o precizie impresionantă de „±0,01 mm”. Însă scara sa a fost în afara calibrului cu 0,2 mm - o eroare sistematică. Ținând cont de această eroare, care nu scade odată cu repetarea, adevărata incertitudine a fost mult mai mare. Lecția: repetarea reduce eroarea aleatoare, nu eroarea sistematică.
Cazul 3 – Monte Carlo salvat. Un profesor a introdus incertitudinea într-un calcul de volum (V = πr²h) și a găsit un rezultat manual. Pentru a fi sigur, a cerut AI un cod Monte Carlo; El a generat aleatoriu r și h cu incertitudinile lor și a calculat V de 10.000 de ori. Abaterea standard a distribuției a fost de acord cu valoarea găsită manual — analiza a fost validată.
Patru șabloane copiabile
1) Derivarea propagarii erorii + verificarea:
Pentru expresia z = [formula], deduceți propagarea erorii de la incertitudinile variabilelor x și y la incertitudinea lui z prin derivate parțiale, PAS CU PAS. Afișați fiecare derivată parțială. Apoi verificați această formulă cu SympY.Fitting; Marcați pasul de care nu sunteți sigur.
2) Verificare încrucișată Monte Carlo:
Scrieți un cod Python care găsește incertitudinea următorului calcul folosind Monte Carlo: z = [formula]. Intrări: x = [valoare ± incertitudine], y = [valoare ± incertitudine].Eșantionați fiecare intrare de 10.000 de ori dintr-o distribuție normală, calculați z, imprimați media și abaterea standard a ieșirii. Comparați acest lucru cu rezultatul formulei de difuzie analitică.
3) Statistici de măsurare:
Scrieți codul care calculează media, abaterea standard și eroarea standard a mediei (std/√N) pentru următoarele date de măsurare repetate ([valori]). Tipăriți rezultatul în formatul „valoare ± eroare standard (unități)” cu cifra semnificativă corespunzătoare. Amintește-ne de distincția dintre incertitudinea aleatorie și sistematică.
4) Cifra semnificativă/verificare de raportare:
Rescrieți rezultatele de mai jos sub forma „valoare ± incertitudine (unitate)”, rotunjind incertitudinea la 1-2 cifre semnificative și aliniind rezultatul cu incertitudinea. Remediați precizia falsă. Rezultate: [aici]
Prompt slab / Prompt puternic
Slab: "calculați incertitudinea pentru g."
Rezultat: Un număr fără context, a cărui formulă nu este verificată și fără o distincție sistematică/aleatorie.
Puternic: „Pentru g = 4π²L/T², deduceți incertitudinea lui g prin derivate parțiale din măsurători de L = 1,00 ± 0,01 m și T = 2,00 ± 0,02 s, apoi verificați cu Monte Carlo. Scrieți rezultatul sub forma „g = ... ± ... m/s²” cu cifra corespunzătoare.”
Rezultat: o incertitudine derivată, verificată independent, raportată corect.
Greșeli comune
- Nu raportează deloc incertitudinea. O măsurătoare fără incertitudine este o jumătate științifică.
- Nu se verifică formula de răspândire. YZ amestecă frecvent coeficienții derivate parțiale și structura rădăcinii pătrate; Verificarea încrucișată Monte Carlo este o necesitate.
- Încercarea de a reduce eroarea sistematică prin repetare. Multi-măsurarea reduce doar eroarea aleatorie; eroarea de calibrare rămâne.
- Crearea unei false certitudini. Scrierea mult mai multe cifre semnificative decât incertitudinea este o pretenție de precizie care nu există.
- Colectarea directă a incertitudinilor. Incertitudinile independente nu sunt liniare, ci pătrate (în rădăcina pătrată).
Atenție: dacă două rezultate fizice sunt „diferite” poate fi decis doar analizând incertitudinea lor. Valorile 9,7 până la 9,81 sunt compatibile dacă incertitudinea este ±0,3; ±0,02 este contradictoriu. Ignorarea incertitudinii și a spune „rezultatul meu se abate de la teorie” este adesea o concluzie eronată. Asigurați-vă că verificați calculul de incertitudine dat de AI înainte de a lua o decizie.
Pe scurt
Incertitudinea este parte integrantă a măsurătorilor fizice și fiecare rezultat ar trebui raportat cu incertitudinea sa. AI este utilă în codificarea statisticilor de incertitudine și în derivarea formulelor de propagare a erorilor; dar aceste formule conțin erori frecvente și ar trebui verificate printr-o metodă independentă, cum ar fi Monte Carlo. Distingerea aleatorie de incertitudinea sistematică, raportarea la cifra semnificativă adecvată și compararea rezultatelor cu incertitudinea lor este baza unui studiu științific onest. În unitatea următoare ne vom muta accentul de la analiza numerică la derivarea modelului simbolic.
Sarcina de aplicare
Alegeți un calcul care include cel puțin două mărimi măsurate (de exemplu, V = πr²h sau g = 4π²L/T²). Atribuiți o incertitudine rezonabilă fiecărei dimensiuni. Puneți AI să obțină propagarea erorii cu șablonul 1, apoi verificați Monte Carlo cu șablonul 2 și rulați-l. Sunt de acord rezultatele celor două metode? Raportați rezultatul cu cifra semnificativă corespunzătoare. Scrieți în 5-6 propoziții: există o eroare de formulă sau nepotrivire?
lista de verificare
- [ ] Am determinat incertitudinea și sursa fiecărei măsurători.
- [ ] Am distins incertitudinea aleatorie și sistematică.
- [ ] Am calculat propagarea erorii cu regula corectă.
- [ ] Am verificat rezultatul independent cu Monte Carlo sau manual.
- [ ] Am raportat rezultatul cu cifra semnificativă adecvată, aliniată cu incertitudinea acesteia.
- [ ] Am luat în considerare incertitudinea când am comparat rezultatele.