收益：
- 能够区分随机不确定性和系统不确定性，并将每个测量结果及其不确定性报告为适当的有效数字。
- 能够用正确的规则计算误差传播，并独立交叉检查人工智能与蒙特卡罗得出的公式
- 考虑到两个结果的不确定性，能够确定两个结果是否兼容
物理学中没有任何测量是完美的。用尺子测量长度时的不确定度为±0.5毫米，用秒表测量时间时的不确定度为±0.1秒。这些不确定性不是缺陷，而是测量的本质——科学完整性的要求是报告每个结果及其不确定性。说“我发现重力加速度是 9.7”是不完整的；说“我发现 9.7 ± 0.3 m/s²”可以告诉您结果的可靠性。在本单元中，您将学习如何使用人工智能 (AI) 进行不确定性计算和误差传播（如何将测量不确定性从这些测量传递到计算结果）以及如何验证这些计算。
不确定性的类型和人工智能的作用
不确定性有两种基本类型。随机不确定度是重复测量结果的分散性；许多测量值都是通过平均值和标准差进行减少的。系统不确定性是一种总是朝同一方向偏离的误差（如校准错误的天平）；它不会随着重复而减少，而是通过查找原因来纠正。人工智能有助于解释这些概念，对标准差和平均值的计算进行编码，尤其是推导复杂的误差传播公式。但你必须验证每个导出的公式，因为人工智能经常在误差传播公式中混合偏导数符号或平方根结构。
状态
帐户
验证
重复测量
平均值±标准误差
手动标准差 / √N
加/减 (z = x ± y)
不确定性通过平方求和
尺寸/单位控制
乘法/除法 (z = x·y)
相对不确定性通过平方求和
用样品编号进行测试
通用功能
通过偏导数传播
与蒙特卡罗交叉检查
错误传播的基本规则
除了加法和减法之外，绝对不确定性通过将它们的平方相加来组合：如果 z = x + y，则 z 的不确定性变为 √(δx² + δy²)。在乘法和除法中，相对（百分比）不确定性根据其平方求和：如果 z = x·y，则 (δz/z) = √((δx/x)² + (δy/y)²)。对于更复杂的函数，一般规则是使用偏导数：每个变量对结果的影响通过相对于该变量的偏导数来衡量。人工智能可以推导出这些公式，但验证结果的最安全方法是蒙特卡洛交叉检查：将每个输入随机分配到其不确定性，计算数千次，然后查看输出的分布。
提示：如果您不确定误差传播公式的准确性，请使用蒙特卡罗：随机生成具有自身不确定性的输入，并计算函数 10,000 次；输出的标准偏差必须与公式给出的不确定性相匹配。这两种独立方法的结合大大增加了您对结果的信心。
一步一步：诚实的不确定性分析
1. 确定每次测量的不确定度。仪器分辨率、重复分布或制造商数据。写下不确定性的来源。
2. 区分随机和系统。分别考虑什么会随着重复而减少，什么不会。
3. 使用正确的公式计算点差。加法、乘法、一般函数——选择适当的规则。让人工智能导出它，但控制它。
4. 与蒙特卡罗交叉检查。以独立方法提供结果，尤其是对于复杂的公式。
5. 用适当的有效数字进行报告。不确定度通常四舍五入到 1-2 位有效数字；结果与不确定性的最后一位数字一致。请写“9.7 ± 0.4 m/s²”，而不是“9.73418 ± 0.4”。
三个迷你箱子
案例 1 — 点差公式错误。一名学生向 AI 询问 g = 4π²L/T² 的不确定性传播。在推导 T 的不确定性相对于 T 的贡献时，AI 忘记了系数 2（因为 T² 的相对不确定性应该是 2·δT/T）。当学生与蒙特卡洛进行交叉核对时，他发现AI公式估计了大约一半的不确定性并进行了修正。
案例 2——隐藏系统错误。一位研究人员进行了大量测量，使随机不确定性非常小，并报告了令人印象深刻的“±0.01 毫米”精度。但它的刻度偏离了 0.2 毫米——这是一个系统误差。考虑到这个误差并不会随着重复而减少，真正的不确定性要大得多。教训：重复可以减少随机误差，而不是系统误差。
案例 3 — 蒙特卡洛得救。一位老师在体积微积分 (V = πr²h) 中引入了不确定性，并手工得出了结果。可以肯定的是，他向 AI 询问了蒙特卡洛代码；他随机生成了带有不确定性的r和h，并计算了V 10,000次。分布的标准差与手工发现的值一致——分析得到验证。
四个可复制模板
1）误差传播推导+验证：
对于表达式 z = [公式]，通过偏导数逐步导出从变量 x 和 y 的不确定性到 z 的不确定性的误差传播。显示每个偏导数。然后用SympY.Fitting验证这个公式；标记您不确定的步骤。
2）蒙特卡罗交叉检查：
编写一个 Python 代码，使用蒙特卡罗计算以下计算的不确定性：z = [公式]。输入：x = [值 ± 不确定性]，y = [值 ± 不确定性]。从正态分布中对每个输入采样 10,000 次，计算 z，打印输出的平均值和标准差。将其与解析扩散公式的结果进行比较。
3）测量统计：
编写代码，计算以下重复测量数据（[值]）的平均值、标准差和平均值的标准误差 (std/√N)。以“值±标准误差（单位）”格式和适当的有效数字打印结果。提醒我们随机不确定性和系统不确定性之间的区别。
4) 有效数字/报告检查：
将下面的结果重写为“值±不确定性（单位）”的形式，将不确定性四舍五入到1-2位有效数字，并将结果与不确定性对齐。修复错误精度。结果：[此处]
弱提示/强提示
弱：“计算 g 的不确定性。”
结果：一个没有上下文的数字，其公式未经验证，并且没有系统/随机的区别。
强：“对于 g = 4π²L/T²，通过 L = 1.00 ± 0.01 m 和 T = 2.00 ± 0.02 s 的测量值的偏导数得出 g 的不确定度，然后与蒙特卡洛进行交叉检查。以“g = ... ± ... m/s²”的形式写出结果，并带有适当的有效数字。”
结果：导出的、独立验证的、正确报告的不确定性。
常见错误
- 根本不报告不确定性。没有不确定性的测量是一种半科学的说法。
- 未验证点差公式。 YZ经常混合偏导系数和平方根结构；蒙特卡罗交叉检查是必须的。
- 尝试通过重复来减少系统误差。多次测量仅减少随机误差；校准误差仍然存在。
- 创造虚假的确定性。写出比不确定性更多的有效数字是不存在的精度声明。
- 直接收集不确定性。独立不确定性不是线性的，而是平方的（平方根）。
注意：两个物理结果是否“不同”只能通过观察它们的不确定性来确定。如果不确定度为±0.3，则值9.7至9.81是兼容的； ±0.02是矛盾的。忽视不确定性并说“我的结果偏离理论”往往是一个错误的结论。在做出决定之前一定要验证AI给出的不确定性计算。
综上所述
不确定性是物理测量不可或缺的一部分，每个结果都应报告其不确定性。人工智能有助于编码不确定性统计数据和推导误差传播公式；但这些公式经常出现错误，应通过蒙特卡洛等独立方法进行交叉检查。区分随机性和系统不确定性、报告到适当的有效数字并将结果与其不确定性进行比较是诚实科学研究的基础。在下一个单元中，我们将把重点从数值分析转移到符号模型推导。
应用任务
选择至少包含两个测量量的计算（例如 V = πr²h 或 g = 4π²L/T²）。为每个尺寸分配合理的不确定性。让 AI 使用模板 1 导出错误传播，然后使用模板 2 进行蒙特卡罗交叉检查并运行。两种方法的结果一致吗？用适当的有效数字报告结果。用 5-6 句话写下：是否有公式错误或不匹配？
清单
- [ ] 我确定了每次测量的不确定度和来源。
- [ ] 我区分了随机不确定性和系统不确定性。
- [ ] 我用正确的规则计算了误差传播。
- [ ] 我使用蒙特卡罗或手工独立交叉检查了结果。
- [ ] 我用适当的有效数字报告了结果，并与其不确定性保持一致。
- [ ] 在比较结果时我考虑了不确定性。