ความไม่แน่นอน การแพร่กระจายของข้อผิดพลาด และการวิเคราะห์การวัด

กำไร:

• ความสามารถในการแยกแยะระหว่างความไม่แน่นอนแบบสุ่มและอย่างเป็นระบบ และรายงานผลการวัดแต่ละรายการที่มีความไม่แน่นอนไปยังตัวเลขนัยสำคัญที่เหมาะสม
• ความสามารถในการคำนวณการแพร่กระจายของข้อผิดพลาดด้วยกฎที่ถูกต้อง และตรวจสอบสูตรที่ได้รับจากปัญญาประดิษฐ์กับ Monte Carlo อย่างเป็นอิสระ
• ความสามารถในการตัดสินใจว่าผลลัพธ์ทั้งสองจะเข้ากันได้หรือไม่ โดยคำนึงถึงความไม่แน่นอน

ไม่มีการวัดใดในวิชาฟิสิกส์ที่สมบูรณ์แบบ มีความไม่แน่นอนอยู่ที่ ±0.5 มม. เมื่อวัดความยาวด้วยไม้บรรทัด และ ±0.1 วินาที เมื่อวัดเวลาด้วยนาฬิกาจับเวลา ความไม่แน่นอนเหล่านี้ไม่ใช่ข้อบกพร่อง แต่เป็นลักษณะของการวัด และข้อกำหนดด้านความสมบูรณ์ทางวิทยาศาสตร์คือการรายงานผลลัพธ์แต่ละรายการด้วยความไม่แน่นอน การพูดว่า "ฉันพบว่าความเร่งโน้มถ่วงเป็น 9.7" นั้นไม่สมบูรณ์ การพูดว่า "ฉันพบ 9.7 ± 0.3 ม./วินาที" จะบอกคุณว่าผลลัพธ์เชื่อถือได้เพียงใด ในหน่วยนี้ คุณจะได้เรียนรู้วิธีใช้ปัญญาประดิษฐ์ (AI) สำหรับการคำนวณความไม่แน่นอนและการแพร่กระจายข้อผิดพลาด (วิธีการนำความไม่แน่นอนของการวัดจากการวัดเหล่านั้นไปยังผลลัพธ์ที่คำนวณ) และวิธีการตรวจสอบการคำนวณเหล่านี้

ประเภทของความไม่แน่นอนและบทบาทของ AI

ความไม่แน่นอนพื้นฐานมีสองประเภท ความไม่แน่นอนแบบสุ่มคือการกระเจิงของผลลัพธ์ในการวัดซ้ำ การวัดหลายครั้งดำเนินการและลดลงตามค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน ความไม่แน่นอนอย่างเป็นระบบคือข้อผิดพลาดที่เบี่ยงเบนไปในทิศทางเดียวกันเสมอ (เช่น เครื่องชั่งที่ปรับเทียบไม่ถูกต้อง) ไม่ได้ลดลงตามการทำซ้ำ แต่แก้ไขด้วยการหาสาเหตุ AI มีประโยชน์ในการอธิบายแนวคิดเหล่านี้ ประมวลผลการคำนวณค่าเบี่ยงเบนมาตรฐานและค่าเฉลี่ย และโดยเฉพาะอย่างยิ่ง การหาสูตรการแพร่กระจายข้อผิดพลาดที่ซับซ้อน แต่คุณต้องตรวจสอบทุกสูตรที่ได้รับ เนื่องจาก AI มักจะผสมเครื่องหมายอนุพันธ์บางส่วนหรือโครงสร้างรากที่สองในสูตรการแพร่กระจายข้อผิดพลาด

สถานะ

บัญชี

การตรวจสอบ

การวัดซ้ำ

ค่าเฉลี่ย ± ข้อผิดพลาดมาตรฐาน

ค่าเบี่ยงเบนมาตรฐานแบบแมนนวล / √N

การบวก/การลบ (z = x ± y)

ความไม่แน่นอนจะถูกสรุปจากรูปสี่เหลี่ยมจัตุรัส

การควบคุมขนาด/หน่วย

การคูณ/การหาร (z = x·y)

ความไม่แน่นอนสัมพัทธ์จะถูกรวมจากกำลังสอง

ทดสอบด้วยหมายเลขตัวอย่าง

ฟังก์ชั่นทั่วไป

การขยายพันธุ์ด้วยอนุพันธ์ย่อย

การตรวจสอบข้ามกับมอนติคาร์โล

กฎพื้นฐานของการแพร่กระจายข้อผิดพลาด

นอกจากนี้และการลบ ค่าความไม่แน่นอนสัมบูรณ์จะรวมกันโดยการบวกกำลังสองของพวกมัน: ถ้า z = x + y ค่าความไม่แน่นอนของ z จะกลายเป็น √(δx² + δy²) ในการคูณและการหาร ความไม่แน่นอนสัมพัทธ์ (เปอร์เซ็นต์) จะถูกรวมจากกำลังสอง: ถ้า z = x·y, (δz/z) = √((δx/x)² + (δy/y)²) สำหรับฟังก์ชันที่ซับซ้อนมากขึ้น กฎทั่วไปคือการใช้อนุพันธ์ย่อย: ผลกระทบของตัวแปรแต่ละตัวต่อผลลัพธ์จะถูกวัดโดยอนุพันธ์ย่อยเทียบกับตัวแปรนั้น AI สามารถดึงสูตรเหล่านี้มาได้ แต่วิธีที่ปลอดภัยที่สุดในการตรวจสอบผลลัพธ์คือการตรวจสอบข้ามมอนติคาร์โล โดยสุ่มกระจายแต่ละอินพุตไปสู่ความไม่แน่นอน คำนวณหลายพันครั้ง และดูที่การกระจายของเอาต์พุต

เคล็ดลับ: หากคุณไม่แน่ใจในความถูกต้องของสูตรการแพร่กระจายข้อผิดพลาด ให้ระบุ Monte Carlo: สุ่มสร้างอินพุตด้วยความไม่แน่นอนของตัวเองแล้วคำนวณฟังก์ชัน 10,000 ครั้ง ค่าเบี่ยงเบนมาตรฐานของผลลัพธ์จะต้องตรงกับความไม่แน่นอนที่กำหนดโดยสูตร การผสมผสานระหว่างวิธีการอิสระทั้งสองนี้ช่วยเพิ่มความมั่นใจในผลลัพธ์ได้อย่างมาก

ทีละขั้นตอน: การวิเคราะห์ความไม่แน่นอนอย่างตรงไปตรงมา

1. กำหนดความไม่แน่นอนของการวัดแต่ละครั้ง ความละเอียดของเครื่องมือ การกระจายการทำซ้ำ หรือข้อมูลผู้ผลิต เขียนลงไปว่าความไม่แน่นอนมาจากไหน

2. แยกแยะระหว่างแบบสุ่มและเป็นระบบ พิจารณาแยกกันว่าอะไรจะลดลงเมื่อมีการทำซ้ำและสิ่งใดบ้างที่จะไม่ลดลง

3. คำนวณสเปรดด้วยสูตรที่ถูกต้อง การบวก การคูณ ฟังก์ชันทั่วไป — เลือกกฎที่เหมาะสม ให้ AI ได้มาแต่ควบคุมมัน

4. ตรวจสอบกับมอนติคาร์โล ให้ผลลัพธ์ด้วยวิธีอิสระ โดยเฉพาะสูตรที่ซับซ้อน

5. รายงานด้วยตัวเลขนัยสำคัญที่เหมาะสม ความไม่แน่นอนมักจะปัดเศษเป็นเลขนัยสำคัญ 1-2 หลัก ผลลัพธ์ตรงกับหลักสุดท้ายของความไม่แน่นอน เขียน "9.7 ± 0.4 m/s²" ไม่ใช่ "9.73418 ± 0.4"

มินิเคสสามอัน

กรณีที่ 1 — สูตรสเปรดผิด นักเรียนคนหนึ่งถาม AI เกี่ยวกับการแพร่กระจายของความไม่แน่นอนสำหรับ g = 4π²L/T² AI ลืมค่าสัมประสิทธิ์ของ 2 เมื่อได้รับส่วนร่วมของความไม่แน่นอนของ T เทียบกับ T (เนื่องจาก T² ความไม่แน่นอนสัมพัทธ์ควรเป็น 2·δT/T) เมื่อนักเรียนตรวจสอบกับมอนติคาร์โลพบว่าสูตร AI ประมาณความไม่แน่นอนประมาณครึ่งหนึ่งแล้วแก้ไขให้ถูกต้อง

กรณีที่ 2 — ข้อผิดพลาดที่เป็นระบบถูกปกปิด นักวิจัยคนหนึ่งทำการวัดจำนวนมาก ทำให้ความไม่แน่นอนของการสุ่มมีน้อยมาก และรายงานความแม่นยำที่น่าประทับใจที่ “±0.01 มม.” แต่สเกลของมันอยู่นอกลำกล้อง 0.2 มม. ซึ่งเป็นข้อผิดพลาดที่เป็นระบบ เมื่อคำนึงถึงข้อผิดพลาดนี้ซึ่งไม่ได้ลดลงเมื่อมีการทำซ้ำ ความไม่แน่นอนที่แท้จริงจึงยิ่งใหญ่กว่ามาก บทเรียน: การทำซ้ำจะช่วยลดข้อผิดพลาดแบบสุ่ม ไม่ใช่ข้อผิดพลาดที่เป็นระบบ

กรณีที่ 3 — มอนติคาร์โลรอดแล้ว ครูคนหนึ่งแนะนำความไม่แน่นอนในแคลคูลัสปริมาตร (V = πr²h) และหาผลลัพธ์ด้วยมือ เพื่อให้แน่ใจว่าเขาขอรหัสมอนติคาร์โลจาก AI; เขาสุ่มสร้าง r และ h ด้วยความไม่แน่นอนและคำนวณ V 10,000 ครั้ง ค่าเบี่ยงเบนมาตรฐานของการแจกแจงสอดคล้องกับค่าที่พบด้วยมือ - การวิเคราะห์ได้รับการตรวจสอบแล้ว

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) แหล่งที่มาของการเผยแพร่ข้อผิดพลาด + การตรวจสอบ:

สำหรับนิพจน์ z = [สูตร] ให้หาการแพร่กระจายของข้อผิดพลาดจากความไม่แน่นอนของตัวแปร x และ y ไปจนถึงความไม่แน่นอนของ z ด้วยอนุพันธ์ย่อยทีละขั้นตอน แสดงอนุพันธ์ย่อยแต่ละรายการ จากนั้นตรวจสอบสูตรนี้ด้วย SympY.Fitting; ทำเครื่องหมายขั้นตอนที่คุณไม่แน่ใจ

2) การตรวจสอบข้ามมอนติคาร์โล:

เขียนโค้ด Python เพื่อค้นหาความไม่แน่นอนของการคำนวณต่อไปนี้โดยใช้มอนติคาร์โล: z = [สูตร] อินพุต: x = [ค่า ± ความไม่แน่นอน], y = [ค่า ± ความไม่แน่นอน] เก็บตัวอย่างอินพุตแต่ละรายการ 10,000 ครั้งจากการแจกแจงแบบปกติ คำนวณ z พิมพ์ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของเอาต์พุต เปรียบเทียบกับผลลัพธ์ของสูตรการแพร่กระจายเชิงวิเคราะห์

3) สถิติการวัด:

เขียนโค้ดที่คำนวณค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และค่าคลาดเคลื่อนมาตรฐานของค่าเฉลี่ย (std/√N) สำหรับข้อมูลการวัดซ้ำต่อไปนี้ ([ค่า]) พิมพ์ผลลัพธ์ในรูปแบบ "ค่า ± ข้อผิดพลาดมาตรฐาน (หน่วย)" ด้วยตัวเลขนัยสำคัญที่เหมาะสม เตือนเราถึงความแตกต่างระหว่างความไม่แน่นอนแบบสุ่มและเป็นระบบ

4) หลักสำคัญ / การตรวจสอบการรายงาน:

เขียนผลลัพธ์ด้านล่างใหม่ในรูปแบบ "ค่า ± ความไม่แน่นอน (หน่วย)" โดยปัดเศษความไม่แน่นอนให้เป็นเลขนัยสำคัญ 1-2 หลัก และจัดผลลัพธ์ให้สอดคล้องกับความไม่แน่นอน แก้ไขความแม่นยำที่ผิดพลาด ผลลัพธ์: [ที่นี่]

พรอมต์อ่อน / พรอมต์แรง

จุดอ่อน: "คำนวณความไม่แน่นอนของ g"

ผลลัพธ์: ตัวเลขที่ไม่มีบริบท ซึ่งสูตรไม่ได้รับการยืนยัน และไม่มีความแตกต่างอย่างเป็นระบบ/สุ่ม

Strong: "สำหรับ g = 4π²L/T² หาค่าความไม่แน่นอนของ g ด้วยอนุพันธ์ย่อยจากการวัด L = 1.00 ± 0.01 m และ T = 2.00 ± 0.02 วินาที จากนั้นตรวจสอบข้ามกับมอนติคาร์โล เขียนผลลัพธ์ในรูปแบบ 'g = ... ± ... m/s²' ด้วยเลขนัยสำคัญที่เหมาะสม"

ผลลัพธ์: ได้มา ตรวจสอบอย่างอิสระ และรายงานความไม่แน่นอนอย่างถูกต้อง

ข้อผิดพลาดทั่วไป

• ไม่รายงานความไม่แน่นอนแต่อย่างใด การวัดโดยไม่มีความไม่แน่นอนถือเป็นการกล่าวครึ่งประโยคทางวิทยาศาสตร์
• ไม่ตรวจสอบสูตรสเปรด YZ มักจะผสมค่าสัมประสิทธิ์อนุพันธ์บางส่วนและโครงสร้างรากที่สอง การตรวจสอบข้ามมอนติคาร์โลเป็นสิ่งจำเป็น
• พยายามลดข้อผิดพลาดอย่างเป็นระบบด้วยการทำซ้ำ การวัดหลายครั้งจะช่วยลดข้อผิดพลาดแบบสุ่มเท่านั้น ข้อผิดพลาดในการสอบเทียบยังคงอยู่
• สร้างความแน่นอนที่ผิดพลาด การเขียนตัวเลขที่มีนัยสำคัญมากกว่าความไม่แน่นอนถือเป็นการกล่าวอ้างความแม่นยำที่ไม่มีอยู่จริง
• รวบรวมความไม่แน่นอนโดยตรง ความไม่แน่นอนอิสระไม่เป็นเส้นตรง แต่เป็นกำลังสอง (เป็นรากที่สอง)

ข้อควรระวัง: ไม่ว่าผลลัพธ์ทางกายภาพทั้งสองจะ "แตกต่างกัน" หรือไม่นั้น สามารถตัดสินใจได้จากการดูความไม่แน่นอนเท่านั้น ค่า 9.7 ถึง 9.81 เข้ากันได้หากความไม่แน่นอนอยู่ที่ ±0.3; ±0.02 ขัดแย้งกัน การเพิกเฉยต่อความไม่แน่นอนและการพูดว่า "ผลลัพธ์ของฉันเบี่ยงเบนไปจากทฤษฎี" มักเป็นข้อสรุปที่ผิดพลาด อย่าลืมตรวจสอบการคำนวณความไม่แน่นอนที่กำหนดโดย AI ก่อนตัดสินใจ

โดยสรุป

ความไม่แน่นอนเป็นส่วนสำคัญในการวัดทางกายภาพ และควรรายงานผลลัพธ์ทั้งหมดด้วยความไม่แน่นอน AI มีประโยชน์ในการเขียนโค้ดสถิติความไม่แน่นอนและการหาสูตรการแพร่กระจายข้อผิดพลาด แต่สูตรเหล่านี้มีข้อผิดพลาดบ่อยครั้ง และควรได้รับการตรวจสอบโดยวิธีอิสระ เช่น มอนติคาร์โล การแยกความแตกต่างแบบสุ่มจากความไม่แน่นอนอย่างเป็นระบบ การรายงานไปยังเลขนัยสำคัญที่เหมาะสม และการเปรียบเทียบผลลัพธ์กับความไม่แน่นอนเป็นพื้นฐานของการศึกษาทางวิทยาศาสตร์ที่ซื่อสัตย์ ในหน่วยถัดไป เราจะเปลี่ยนโฟกัสจากการวิเคราะห์เชิงตัวเลขไปเป็นการสืบทอดแบบจำลองเชิงสัญลักษณ์

งานสมัคร

เลือกการคำนวณที่มีปริมาณที่วัดได้อย่างน้อยสองปริมาณ (เช่น V = πr²h หรือ g = 4π²L/T²) กำหนดความไม่แน่นอนที่เหมาะสมให้กับแต่ละขนาด ให้ AI รับการแพร่กระจายข้อผิดพลาดด้วยเทมเพลต 1 จากนั้นให้ Monte Carlo ตรวจสอบกับเทมเพลต 2 แล้วรัน ผลลัพธ์ของทั้งสองวิธีเห็นด้วยหรือไม่? รายงานผลด้วยเลขนัยสำคัญที่เหมาะสม เขียนลงใน 5-6 ประโยค: มีข้อผิดพลาดของสูตรหรือไม่ตรงกัน?

รายการตรวจสอบ

• [ ] ฉันพิจารณาความไม่แน่นอนและแหล่งที่มาของการวัดแต่ละครั้ง
• [ ] ฉันแยกแยะความไม่แน่นอนแบบสุ่มและเป็นระบบได้
• [ ] ฉันคำนวณการแพร่กระจายข้อผิดพลาดด้วยกฎที่ถูกต้อง
• [ ] ฉันตรวจสอบผลลัพธ์โดยอิสระกับมอนติคาร์โลหรือด้วยมือ
• [ ] ฉันรายงานผลลัพธ์ด้วยตัวเลขนัยสำคัญที่เหมาะสม ซึ่งสอดคล้องกับความไม่แน่นอน
• [ ] ฉันคำนึงถึงความไม่แน่นอนเมื่อเปรียบเทียบผลลัพธ์