Hata Yayılımı: Belirsizlik Hesaplamalar Arasında Nasıl Yayılır?

Ölçülen değerlerle hesaplamalar yaparken, belirsizliklerle çalışıyoruz. Her ölçüm bir miktar belirsizlik içerir ve bu belirsizlik genellikle mutlak veya göreceli hata olarak ifade edilir. Bu belirsizlikler, hesaplamalarda ölçümleri kullandığımızda ortadan kalkmaz; aksine, ilgili matematiksel işlemelere bağlı olarak birleşir ve artabilir. 

Hata yayılımı, belirsizliğin yayılımı olarak da bilinir ve ölçülen değişkenlerdeki belirsizliklerin hesaplanan sonucun belirsizliğini nasıl etkilediğini belirleme sürecidir.

Bu derste, belirsizliklerin farklı işlemler boyunca nasıl yayıldığını belirleyen matematiksel kuralları öğrenecek ve belirsizliği ölçmek için kullanılan yöntemleri inceleyeceğiz. Basit aritmetik işlemlerden, korelasyon ve gelişmiş simülasyon tekniklerini içeren karmaşık fonksiyonlara kadar, gerçek hayattaki senaryolarda belirsizliklerin nasıl hesaplanacağını gösteren pratik örnekler üzerinde çalışacağız.

Hata Yayılımında Temel Kavramlar

Matematiksel kurallara dalmadan önce, hata yayılımının arkasındaki birkaç kavramı anlayalım:

• Mutlak hata, gerçek değerden gerçek sapmayı temsil eder ve ölçümle aynı birimlerle ifade edilir. Bir uzunluğu 10,0 ± 0,2 cm olarak ölçersek, mutlak hata 0,2 cm'dir.
• Bağıl hata, belirsizliği ölçülen değerin bir kesiri veya yüzdesi olarak ifade eder. Uzunluk ölçümümüz için göreceli hata 0,2/10,0 = 0,02 veya %2 olacaktır.
• Standart sapma, çoğu bilimsel bağlamda belirsizliğin temel ölçütüdür ve ortalamaya göre değerlerin dağılımını temsil eder. Bir ölçümü x ± σ olarak ifade ettiğimizde, σ bir standart sapmayı temsil eder.
• Varyans, standart sapmanın karesidir. Bağımsız rastgele değişkenlerin varyansları doğrudan toplanır, bu özellik birçok hesaplamayı basitleştirir.
• Kovaryans, iki değişkenin birbirine göre nasıl değiştiğini ölçer. Belirsizlikler birbiriyle ilişkili olduğunda, doğru sonuçlar elde etmek için yayılma formüllerimize kovaryans terimlerini dahil etmeliyiz.

Bağımsız ve ilişkili belirsizlikler arasındaki farkı anlamak da önemlidir. Bağımsız belirsizlikler, farklı cihazlardan kaynaklanan okuma hataları gibi, birbirinden bağımsız ve ilgisiz kaynaklardan kaynaklanır. Korelasyonlu belirsizlikler, birden fazla ölçüm için aynı kalibrasyon standardının kullanılması gibi ortak bir kaynağa sahiptir.

Bu eğitimde odak noktamız istatistiksel kalıpları izleyen rastgele hatalar olsa da, sistematik hataların (tutarlı önyargılar) farklı bir yaklaşım gerektirdiğini belirtmek gerekir.

Hata Yayılımı için Matematiksel Kurallar

Belirsizliğin yayılması, matematiksel işlemlere bağlı olarak belirli kurallara tabidir. Bu işlemlerin her birini inceleyelim:

Toplama ve çıkarma

Belirsizlik içeren ölçümleri toplarken veya çıkarırken, standart sapmalar için mutlak belirsizlikleri karesel (karelerin toplamının karekökü) olarak ekleriz.

z = x ± y için, burada x'in belirsizliği σₓ ve y'nin belirsizliği σᵧ:

σz = √(σₓ² + σᵧ²)

İki çubuğun toplam uzunluğunu ölçtüğümüz bir örneği ele alalım. Çubuk A'nın uzunluğu 15,3 ± 0,2 cm, çubuk B'nin uzunluğu ise 8,7 ± 0,1 cm'dir. Toplam uzunluk:

Length = 15.3 + 8.7 = 24.0 cm
Uncertainty = √(0.2² + 0.1²) = √(0.04 + 0.01) = √0.05 = 0.22 cm

Bu nedenle, toplam uzunluk 24,0 ± 0,22 cm'dir.

Çarpma ve bölme

Çarpma ve bölme işlemlerinde, göreceli belirsizliklerle çalışırız. Sonucun göreceli belirsizliği, girdilerin göreceli belirsizliklerinin karesel toplamına eşittir.

z = xy veya z = x/y için:

(σz/z)² = (σₓ/x)² + (σᵧ/y)²

Uzunluğu 5,0 ± 0,1 m ve genişliği 3,0 ± 0,05 m olan bir dikdörtgenin alanını hesaplamak istediğimizi varsayalım.

Area = 5.0 × 3.0 = 15.0 m²
Relative uncertainty in length = 0.1/5.0 = 0.02
Relative uncertainty in width = 0.05/3.0 = 0.0167
Relative uncertainty in area = √(0.02² + 0.0167²) = √(0.0004 + 0.000278) = 0.026
Absolute uncertainty in area = 15.0 × 0.026 = 0.39 m²

Bu nedenle, alan 15,0 ± 0,39 m²'dir.

Güçler ve kökler

Bir ölçümü n kuvvetine yükseltirken, göreceli belirsizlik kuvvetin mutlak değeri ile çarpılır.

For z = xⁿ:

σz/z = |n| × (σₓ/x)

Bir kürenin yarıçapını 2,5 ± 0,05 cm olarak ölçtüğümüz ve V = (4/3)πr³ formülünü kullanarak hacmini hesaplamak istediğimiz bir senaryo düşünelim.

Volume = (4/3)π(2.5)³ = 65.45 cm³
Relative uncertainty in radius = 0.05/2.5 = 0.02
Relative uncertainty in volume = 3 × 0.02 = 0.06
Absolute uncertainty in volume = 65.45 × 0.06 = 3.93 cm³

Bu nedenle, hacim 65,5 ± 3,9 cm³'dir.

Logaritmik ve üstel fonksiyonlar

Doğal logaritma için: 

If z = ln(x), then σz = σₓ/x

Üstel için: 

If z = eˣ, then σz/z = σₓ

x = 10,0 ± 0,3 değerini ölçtüğümüzü ve y = ln(x) değerini hesapladığımızı varsayalım.

y = ln(10.0) = 2.303
Uncertainty in y = 0.3/10.0 = 0.03

Bu nedenle, ln(10,0) = 2,303 ± 0,030.

Farklı işlemler için belirli kuralları inceledikten sonra, hepsinin temelini oluşturan birleşik matematiksel temeli anlayalım.

Kalkülüs Kullanarak Türev Alma

Sezgi geliştirmek için, kısmi türevleri şu soruyu yanıtlayan şeyler olarak düşünün: "Bu girdiyi çok az bir miktar değiştirirsem, çıktım ne kadar değişir?" 

Değişime karşı bu duyarlılık, belirsizliklerin nasıl yayıldığını anlamak için tam da ihtiyacımız olan şeydir. Büyük bir kısmi türev, girdinin çıktıyı güçlü bir şekilde etkilediği anlamına gelir, bu nedenle belirsizliği nihai belirsizliğe daha fazla katkıda bulunur.

Matematiksel temelden başlayalım. z = f(x, y) fonksiyonu için, toplam diferansiyel bize şunu söyler:

dz = (∂f/∂x)dx + (∂f/∂y)dy

dx ve dy'yi küçük belirsizlikler olarak yorumlayıp varyansı (σz²) bulmak istediğimizde, her iki tarafı da kareler ve beklenen değeri alırız. 

Bu da bizi genel hata yayılma formülüne götürür:

σz² = (∂f/∂x)² σₓ² + (∂f/∂y)² σᵧ² + 2(∂f/∂x)(∂f/∂y)σₓᵧ

Burada, σₓᵧ x ve y arasındaki kovaryansı temsil eder. Bağımsız değişkenler için bu terim ortadan kalkar ve bize genellikle kullandığımız daha basit formu verir.

Çarpma kuralımızı türeterek bu formülü doğrulayalım. 

z = xy için:

• x'e göre kısmi türev: ∂z/∂x = y
• y'ye göre kısmi türev: ∂z/∂y = x

Genel formülümüze yerine koyarsak (x ve y'nin bağımsız olduğunu varsayarsak):

σz² = y²σₓ² + x²σᵧ²

Her iki tarafı z^² = (xy)^² ile bölerek:

σz²/z² = σₓ²/x² + σᵧ²/y²

Kare kökünü aldığımızda şunu elde ederiz:

(σz/z)² = (σₓ/x)² + (σᵧ/y)²

Bu, tam olarak karesel toplamda göreceli belirsizlikleri eklemek için kullandığımız çarpma kuralıdır.

Bu genel yaklaşım, ezberlenmiş kuralların geçerli olmadığı karmaşık fonksiyonlarla uğraşırken yararlı olur. 

Örneğin, z = x^²sin(y) + e^xy'deki belirsizliği hesaplamamız gerekiyorsa, birden fazla kuralı birleştirmeye çalışmak yerine sistematik olarak kısmi türevleri uygulayabiliriz. Bu formül, herhangi bir türevlenebilir fonksiyonu işleyebilir, bu da onu karmaşık hesaplamalarda belirsizlik analizi için en kullanışlı aracımız haline getirir.

Hata Yayılımında Korelasyon ve Kovaryans

Şimdiye kadar kullandığımız hata yayılım formülleri, belirsizliklerin bağımsız olduğunu varsaymaktadır, ancak bağımsız olmadıkları durumda ne olur? 

Belirsizlikler arasındaki korelasyon, beklediğimizden daha yaygındır ve sonuçlarımızı önemli ölçüde etkileyebilir. Korelasyon, ölçümlerin ortak bir belirsizlik kaynağı paylaştığı durumlarda ortaya çıkar. 

Aynı cetvelle metal bloğun uzunluğunu ve genişliğini ölçmeyi düşünün. Eğer cetvel gerçekten %1 daha kısaysa, her iki ölçüm de aynı şekilde sistematik olarak etkilenecek ve pozitif korelasyon gösterecektir. Benzer şekilde, sıcaklık bir deneyde birden fazla sensörü etkiliyorsa, aynı anda alınan tüm okumalar bu çevresel etkiyi paylaşır.

Bir ölçüm yüksek olma eğilimindeyken diğeri de yüksek olma eğilimindeyse (pozitif korelasyon) veya biri yüksek olma eğilimindeyken diğeri düşük olma eğilimindeyse (negatif korelasyon), belirsizlik hesaplamalarımızda bu ilişkiyi dikkate almalıyız.

Değişkenler korelasyonlu olduğunda, yayılma formülümüze kovaryans terimi σₓᵧ ekleriz. Korelasyon katsayısı ρ olan iki korelasyonlu değişken için:

σₓᵧ = ρσₓσᵧ

Toplam için tam formül şu şekilde olur:

σz² = σₓ² + σᵧ² + 2ρσₓσᵧ

Bu kavramı bir örnekle daha iyi anlayabiliriz. 

Yüksek sıcaklıkta dikdörtgen bir metal plakanın çevresini ölçelim. Uzunluğu L = 10,0 ± 0,1 cm ve genişliği W = 5,0 ± 0,05 cm olarak ölçüyoruz. Çevre uzunluğu P = 2L + 2W'dir.

Korelasyonu dikkate almadan:

P = 2(10.0) + 2(5.0) = 30.0 cm
σₚ = √[(2 × 0.1)² + (2 × 0.05)²] = √[0.04 + 0.01] = 0.22 cm

Ancak, termal genleşme her iki boyutu da benzer şekilde etkiler. Korelasyon katsayısının ρ = 0,7 (güçlü pozitif korelasyon) olduğunu belirlediğimizde:

Covariance term: 2 × 2 × 2 × 0.7 × 0.1 × 0.05 = 0.028
σₚ = √[0.04 + 0.01 + 0.028] = √0.078 = 0.28 cm

Korelasyonu göz ardı etmek, belirsizliğimizi yaklaşık %25 oranında hafife almamıza neden oldu. Bu, sonuçlarımızı etkileyebilecek önemli bir farktır.

Aşağıdaki durumlarda kovaryansı dahil etmeliyiz:

• Birden fazla ölçümde aynı cihaz veya kalibrasyon standardı kullanılır.
• Çevresel koşullar (sıcaklık, basınç, nem) tüm ölçümleri aynı anda etkiler.
• Değişkenlerin bilinen fiziksel ilişkileri vardır (örneğin, boyutların birlikte genişlemesi gibi).

Ölçümler gerçekten bağımsız olduğunda, farklı cihazlarla, farklı zamanlarda yapıldığında veya korelasyon diğer belirsizlik kaynaklarına kıyasla önemsiz olduğunda, kovaryansı güvenle ihmal edebiliriz. Şüpheye düştüğünüzde, değişen koşulların her iki ölçümü de aynı yönde etkileyeceği durumlarda, bunlar muhtemelen birbiriyle ilişkili demektir ve bu durum analizimizde dikkate alınmalıdır.

Belirsizliği Yönetmek için Gelişmiş Yöntemler

İşlevler koşullu mantık, yinelemeli hesaplamalar veya karmaşık doğrusal olmayan ilişkiler içerdiğinde, Monte Carlo simülasyonu iyi bir alternatiftir.

Monte Carlo simülasyonları

Monte Carlo simülasyonu doğrudan bir yaklaşım izler: belirsizlikleri formüllerle yaymak yerine, binlerce olası senaryoyu simüle eder ve sonuçların dağılımını gözlemleriz. 

Süreç şöyledir:

1. Her bir girdi değişkeninin dağılımından rastgele örnekler oluşturun.
2. Her bir örnek grubu için sonucu hesaplayın.
3. Belirsizliği belirlemek için çıktı dağılımını analiz edin.

Excel'de monte-carlo simülasyonu yapmayı, ayrıntılı kılavuzumuzdan öğrenebilirsiniz. Ancak, bu eğitimin eksiksiz olması için, analitik yöntemlerin karmaşık hale geldiği bir senaryoyu yeniden ele alalım. 

x = 10,0 ± 0,5 ve y = 2,0 ± 0,2 olduğunda z = x^²/y değerini düşünün. Kısmi türevleri kullanabiliriz, ancak Monte Carlo'nun bunu nasıl ele aldığına kavramsal bir yaklaşımla bakalım:

for each of 10,000 iterations:
   x_sample = random value from normal(mean=10.0, std=0.5)
   y_sample = random value from normal(mean=2.0, std=0.2)
   z_sample = x_sample² / y_sample
  
result = mean of all z_samples = 50.2
uncertainty = standard deviation of z_samples = 5.3

Bu yaklaşımın güzelliği şudur:

• Her türlü dağıtım türünü destekler: Girdilerimizin normal dağılım göstermesi gerekmez.
• Doğal korelasyon işleme: Korelasyonlu çevre ölçümümüzü hatırlıyor musunuz? Monte Carlo, doğrudan korelasyonlu rastgele örnekler üretebilir.
• Tam çıktı resmi: Sonuçların tam dağılımını elde ederiz, bu da standart sapmanın tek başına açıklayamayabileceği çarpıklığı veya çoklu tepe noktaları ortaya çıkarır.
• Karmaşık mantıkla çalışır: if/then koşulları veya min/max işlemleri içeren fonksiyonlar işlenebilir.

Peki, analitik yöntemler yerine Monte Carlo'yu ne zaman tercih etmeliyiz? Şu durumlarda bunu dikkate alabiliriz:

• İşlevimiz koşullu ifadeler veya yinelemeli hesaplamalar içerir.
• Değişkenler normal olmayan dağılımlar (tekdüze, üstel vb.) izler.
• Sadece standart sapma değil, tam çıktı dağılımına ihtiyacımız var.
• Analitik yaklaşım, hesaplamasında emin olmadığımız karmaşık türevleri gerektirir.

Pratik uygulama için, 10.000 örnek genellikle çoğu uygulama için iyi tahminler sağlarken, 100.000 örnek yüksek hassasiyet sunar. Modern bilgisayarlar, basit işlevler için bu simülasyonları saniyeler içinde çalıştırabilir.

Hesaplama ile ilgili hususlar

Sonlu eleman simülasyonları veya iklim modelleri gibi tek bir hesaplamanın saatler sürebileceği hesaplama yoğunluğu yüksek modeller için, vekil modeller çok uygundur. 

Vekil modeller, karmaşık modellerin davranışını yaklaşık olarak gösteren basitleştirilmiş matematiksel fonksiyonlardır. Orijinal modelin girdi-çıktı ilişkilerini yakalayan daha hızlı bir ikamedir.

Ancak, çoğu veri analizi görevi için, doğrudan Monte Carlo simülasyonu doğruluk ve basitlik arasında ideal dengeyi sağlar.

Sonuç

Bu makale, ölçümlerdeki belirsizliklerin hesaplanan sonuçları nasıl etkilediğini anlamak için kullanılan matematiksel çerçeve olan hata yayılımını tanıtmıştır. Farklı matematiksel işlemlerle belirsizliklerin yayılmasının temel kurallarını öğrendik, değişkenler arasındaki korelasyonun belirsizlik hesaplamalarına nasıl etki ettiğini anladık ve karmaşık senaryolar için hesaplama alternatifi olarak Monte Carlo simülasyonunu inceledik.

Gerçek dünya uygulamalarında belirsizlik ve istatistiksel analizle başa çıkma becerilerinizi derinleştirmek için, Python ile Makine Öğrenimi Bilimcisi programımızı incelemeyi düşünün. Bu ders, denetimli ve denetimsiz öğrenme, özellik mühendisliği, zaman serisi analizi ve derin öğrenmeyi kapsar. Bu derslerde, veri bilimi projelerinde model performansını ve güven aralıklarını değerlendirmek ve güvenilir tahminlerde bulunmak için belirsizliği ve hata analizini anlamak önem kazanır.