zisky:
- Schopnosť rozlišovať medzi náhodnou a systematickou neistotou a hlásiť každý výsledok merania s jeho neistotou na príslušnú platnú číslicu.
- Schopnosť vypočítať šírenie chýb so správnym pravidlom a nezávisle krížovo skontrolovať vzorec odvodený umelou inteligenciou s Monte Carlo
- Schopnosť rozhodnúť, či sú dva výsledky kompatibilné alebo nie, berúc do úvahy ich neistotu
Žiadne meranie vo fyzike nie je dokonalé. Pri meraní dĺžky pravítkom je neistota ±0,5 mm a pri meraní času stopkami ±0,1 s. Tieto neistoty nie sú chybou, ale povahou merania – a požiadavkou vedeckej integrity je hlásiť každý výsledok s jeho neistotou. Povedať „zistil som, že gravitačné zrýchlenie je 9,7“ je neúplné; Výrok „Našiel som 9,7 ± 0,3 m/s²“ vám povie, aký spoľahlivý je výsledok. V tejto lekcii sa naučíte, ako používať umelú inteligenciu (AI) na výpočet neistoty a šírenie chýb (ako sa neistoty merania prenášajú z týchto meraní do vypočítaného výsledku) a ako tieto výpočty overiť.
Typy neistoty a úloha AI
Existujú dva základné typy neistoty. Náhodná neistota je rozptyl výsledkov pri opakovaných meraniach; Uskutočňuje sa mnoho meraní, ktoré sa redukujú o strednú hodnotu a štandardnú odchýlku. Systematická neistota je chyba, ktorá sa vždy odchyľuje rovnakým smerom (ako nesprávne nakalibrované váhy); Opakovaním sa nezmenšuje, ale koriguje sa hľadaním príčiny. AI je užitočná pri vysvetľovaní týchto pojmov, pri kodifikácii výpočtu štandardnej odchýlky a priemeru a najmä pri odvodzovaní zložitých vzorcov šírenia chýb. Musíte však overiť každý odvodený vzorec, pretože AI často vo vzorcoch šírenia chýb mieša znamienka čiastočných derivácií alebo štruktúru druhej odmocniny.
Stav
účtu
overenie
Opakované meranie
Priemer ± štandardná chyba
Manuálna štandardná odchýlka / √N
Sčítanie/odčítanie (z = x ± y)
Neistoty sú sčítané z námestia
Ovládanie veľkosti/jednotky
Násobenie/delenie (z = x·y)
Relatívne neistoty sa sčítavajú zo štvorca
Test s číslom vzorky
Všeobecná funkcia
Rozmnožovanie parciálnymi derivátmi
Krížová kontrola s Monte Carlom
Základné pravidlá šírenia chýb
Okrem sčítania a odčítania sa absolútne neistoty kombinujú sčítaním ich druhých mocnín: Ak z = x + y, neistota z bude √(δx² + δy²). Pri násobení a delení sa relatívne (percentuálne) neistoty spočítavajú z ich druhých mocnín: Ak z = x·y, (δz/z) = √((δx/x)² + (δy/y)²). Pre zložitejšie funkcie je všeobecným pravidlom používanie parciálnych derivácií: vplyv každej premennej na výsledok sa meria parciálnou deriváciou vzhľadom na túto premennú. Umelá inteligencia dokáže odvodiť tieto vzorce, ale najbezpečnejším spôsobom overenia výsledku je krížová kontrola Monte Carlo: náhodné rozdelenie každého vstupu podľa jeho neistoty, výpočet tisíckrát a sledovanie rozloženia výstupu.
Tip: Ak si nie ste istí presnosťou vzorca šírenia chyby, poskytnite mu Monte Carlo: náhodne vygenerujte vstupy s vlastnou neistotou a vypočítajte funkciu 10 000-krát; Smerodajná odchýlka výstupu sa musí zhodovať s neistotou danou vzorcom. Kombinácia týchto dvoch nezávislých metód výrazne zvyšuje vašu dôveru vo výsledok.
Krok za krokom: poctivá analýza neistoty
1. Určite neistotu každého merania. Rozlíšenie prístroja, distribúcia opakovaní alebo údaje výrobcu. Napíšte, odkiaľ pramení neistota.
2. Rozlišujte medzi náhodným a systematickým. Zvážte oddelene, čo sa opakovaním zníži a čo nie.
3. Vypočítajte spread pomocou správneho vzorca. Sčítanie, násobenie, všeobecná funkcia — vyberte vhodné pravidlo. Nechajte ju odvodiť AI, ale ovládajte ju.
4. Krížová kontrola s Monte Carlom. Poskytnite výsledok nezávislou metódou, najmä pre zložité vzorce.
5. Správa s príslušnými platnými číslicami. Neistota sa zvyčajne zaokrúhľuje na 1-2 platné číslice; výsledok sa zarovná s poslednou číslicou neistoty. Napíšte „9,7 ± 0,4 m/s²“, nie „9,73418 ± 0,4“.
tri mini prípady
Prípad 1 – Nesprávny vzorec rozloženia. Študent sa AI opýtal na šírenie neistoty pre g = 4π²L/T². AI zabudla na koeficient 2 pri odvodzovaní príspevku neistoty T vzhľadom na T (keďže T² mala byť relatívna neistota 2·δT/T). Keď študent vykonal krížovú kontrolu s Monte Carlom, zistil, že vzorec AI odhadol neistotu asi na polovicu a opravil ju.
Prípad 2 – Systematická chyba skrytá. Jeden výskumník vykonal veľké množstvo meraní, náhodnú neistotu veľmi zmenšil a uviedol pôsobivú presnosť „± 0,01 mm“. Ale jeho mierka bola mimo kalibru o 0,2 mm - systematická chyba. Ak vezmeme do úvahy túto chybu, ktorá sa s opakovaním nezmenšila, skutočná neistota bola oveľa väčšia. Ponaučenie: opakovanie znižuje náhodnú chybu, nie systematickú chybu.
Prípad 3 – Monte Carlo zachránené. Učiteľ zaviedol neistotu v objemovom počte (V = πr²h) a ručne našiel výsledok. Pre istotu požiadal AI o kód Monte Carlo; Náhodne vygeneroval r a h s ich neistotami a vypočítal V 10 000-krát. Smerodajná odchýlka rozdelenia súhlasila s hodnotou zistenou rukou – analýza bola validovaná.
Štyri kopírovateľné šablóny
1) Odvodenie šírenia chyby + overenie:
Pre výraz z = [vzorec] odvodzujte KROK ZA KROKOM šírenie chyby z neistôt premenných x a y k neistote z pomocou parciálnych derivácií. Ukážte každú parciálnu deriváciu. Potom overte tento vzorec pomocou SympY.Fitting; Označte krok, ktorým si nie ste istí.
2) Krížová kontrola Monte Carlo:
Napíšte Python kód, ktorý nájde neistotu nasledujúceho výpočtu pomocou Monte Carlo: z = [vzorec]. Vstupy: x = [hodnota ± neistota], y = [hodnota ± neistota]. Každý vstup odoberte 10 000-krát z normálneho rozdelenia, vypočítajte z, vytlačte priemer a štandardnú odchýlku výstupu. Porovnajte to s výsledkom analytického difúzneho vzorca.
3) Štatistika meraní:
Napíšte kód, ktorý vypočíta priemer, smerodajnú odchýlku a smerodajnú chybu priemeru (std/√N) pre nasledujúce údaje opakovaného merania ([hodnoty]). Výsledok vytlačte vo formáte „hodnota ± štandardná chyba (jednotky)“ s príslušnou platnou číslicou. Pripomeňte si rozdiel medzi náhodnou a systematickou neistotou.
4) Významná číslica / kontrola hlásenia:
Prepíšte výsledky nižšie v tvare „hodnota ± neistota (jednotka)“, pričom neistotu zaokrúhlite na 1-2 platné číslice a výsledok zarovnajte s neistotou. Opravte falošnú presnosť. Výsledky: [tu]
Slabá výzva / Silná výzva
Slabé: "vypočítaj neistotu pre g."
Výsledok: Číslo bez kontextu, ktorého vzorec nie je overený, a bez systematického/náhodného rozlíšenia.
Silný: "Pre g = 4π²L/T² odvodzujte neistotu g parciálnymi deriváciami z meraní L = 1,00 ± 0,01 ma T = 2,00 ± 0,02 s, potom krížovo skontrolujte s Monte Carlo. Výsledok zapíšte v tvare 'g = ... ± ... m/s²' s príslušnou platnou číslicou."
Výsledok: Odvodená, nezávisle overená, správne uvedená neistota.
Časté chyby
- Vôbec nevykazovať neistotu. Meranie bez neistoty je vedecký polovičný výrok.
- Neoveruje sa vzorec šírenia. YZ často kombinuje parciálne derivačné koeficienty a štruktúru druhej odmocniny; Krížová kontrola Monte Carlo je nevyhnutnosťou.
- Pokus o zníženie systematických chýb opakovaním. Viacnásobné meranie iba znižuje náhodnú chybu; chyba kalibrácie zostáva.
- Vytváranie falošnej istoty. Zápis oveľa významnejších číslic ako neistota je nárok na presnosť, ktorá neexistuje.
- Priamy zber neistôt. Nezávislé neistoty nie sú lineárne, ale umocnené na druhú (na druhú odmocninu).
Pozor: O tom, či sú dva fyzikálne výsledky „odlišné“, sa dá rozhodnúť len pohľadom na ich neistotu. Hodnoty 9,7 až 9,81 sú kompatibilné, ak je neistota ±0,3; ±0,02 je protichodné. Ignorovanie neistoty a tvrdenie „môj výsledok sa odchyľuje od teórie“ je často chybný záver. Pred rozhodnutím si overte výpočet neistoty daný AI.
V súhrne
Neistota je neoddeliteľnou súčasťou fyzikálneho merania a každý výsledok by sa mal uviesť s neistotou. AI je užitočná pri kódovaní štatistík neistoty a odvodzovaní vzorcov šírenia chýb; ale tieto vzorce obsahujú časté chyby a mali by byť skontrolované nezávislou metódou, ako je Monte Carlo. Rozlíšenie náhodnej od systematickej neistoty, vykazovanie na príslušnú platnú číslicu a porovnanie výsledkov s ich neistotou je základom poctivého vedeckého štúdia. V ďalšej časti presunieme pozornosť z numerickej analýzy na odvodenie symbolického modelu.
Aplikačná úloha
Vyberte výpočet, ktorý zahŕňa aspoň dve namerané veličiny (napr. V = πr²h alebo g = 4π²L/T²). Ku každej veľkosti priraďte primeranú neistotu. Nechajte AI odvodiť šírenie chýb pomocou šablóny 1, potom nechajte krížovú kontrolu Monte Carlo so šablónou 2 a spustite ju. Zhodujú sa výsledky oboch metód? Výsledok uveďte príslušnou platnou číslicou. Napíšte 5-6 vetami: je tam chyba vo vzorci alebo nesúlad?
kontrolný zoznam
- [ ] Určil som neistotu a zdroj každého merania.
- [ ] Rozlišoval som náhodnú a systematickú neistotu.
- [ ] Šírenie chýb som vypočítal so správnym pravidlom.
- [ ] Výsledok som skontroloval nezávisle s Monte Carlom alebo ručne.
- [ ] Uviedol som výsledok s príslušnou platnou číslicou v súlade s jej neistotou.
- [ ] Pri porovnávaní výsledkov som bral do úvahy neistotu.