رقم‌های بامعنا، دقت و صحت

هر عدد در فیزیک، یک ادعای پنهون درباره‌ی محدوده‌ی خطا با خودش می‌بره. وقتی می‌گیم 4.53 m، ضمنی داریم می‌گیم که به دو رقم اعشار مطمئنیم و رقم سوم نامعلومه — یعنی مقدار واقعی چیزی بین 4.525 و 4.535 ـه. رقم‌های بامعنا (significant figures) قراردادِ نحوه‌ی نوشتن این ادعاست، و قواعد ترکیب جلوگیری می‌کنن از این‌که با محاسبه، دقتی رو ادعا کنیم که در داده‌ی اولیه نبود.

چند رقم رو بامعنا حساب کنیم؟

قواعد سه‌گانه‌ی رایج:

  1. همه‌ی رقم‌های غیرصفر بامعنان.

    • 4.53 — سه رقم بامعنا
    • 126.7 — چهار رقم بامعنا

  2. صفرهای بین ارقام غیرصفر (interior zeros) بامعنان.

    • 2.005 — چهار رقم
    • 10.03 — چهار رقم

  3. صفرهای ابتدایی (leading zeros) بامعنا نیستن — فقط نگه‌داشتن اعشارن.

    • 0.00456 — سه رقم بامعنا (4, 5, 6)
    • 0.0102 — سه رقم بامعنا (1, 0, 2)

نکته‌ی حساس — صفرهای انتهایی (trailing zeros):

راه حل ابهام: scientific notation

بازنویسی به scientific notation ابهام رو کاملاً برطرف می‌کنه:

عدد چند رقم بامعنا؟
1.5 × 10^3 ۲
1.50 × 10^3 ۳
1.500 × 10^3 ۴
1.5000 × 10^3 ۵

هر جا شک داری، از scientific notation استفاده کن. این یکی از دلایل اصلیه که در گزارش‌های علمی همیشه اعداد به این شکل نوشته می‌شن، حتی وقتی مقدارِ عدد نیازی نداره.

precision در برابر accuracy

این دو کاملاً مستقلن — یه اندازه‌گیری می‌تونه هر ترکیبی از این دو رو داشته باشه.

استعاره‌ی هدف تیراندازی مفیده:

    accurate + precise       precise, not accurate
         🎯                      🎯
        (••)                    ( )
        (••)                    ( )
                             (••••) ← گروه فشرده، ولی دور از مرکز

  accurate, not precise      neither
         🎯                      🎯
       (•  •)                  ( •  )
       (  • •)                 (•    )

نکته‌ی مهم: رقم‌های بامعنا فقط precision رو نمایش می‌دن، نه accuracy رو. یه عدد با ۶ رقم بامعنا الزاماً درست‌تر از یه عدد با ۳ رقم نیست — فقط دقیق‌تر گزارش شده. اگه دستگاه بایاس داشته باشه، همه‌ی اون ۶ رقم غلطن.

ترکیب اندازه‌گیری‌ها — قواعد سریع

قواعد ترکیب از انتشار خطا (error propagation) میان و در حالت کلی به شکل زیرن. برای محاسبات دستی، این دو قاعده‌ی سریع کافی‌ن:

قاعده‌ی ۱ — جمع و تفریق: کمترین decimal place حفظ می‌شه

\[ 12.51 + 3.4 = 15.9 \quad\text{(نه } 15.91\text{)} \]

چون 3.4 فقط تا یک رقم اعشار مطمئنه، جواب هم نمی‌تونه فراتر از یک رقم اعشار مطمئن باشه.

قاعده‌ی ۲ — ضرب و تقسیم: کمترین sig fig حفظ می‌شه

\[ 6.38 \times 2.1 = 13 \quad\text{(نه } 13.398\text{)} \]

2.1 فقط ۲ رقم بامعنا داره، پس جواب هم ۲ رقم. ماشین‌حساب می‌گه 13.398 — اون ۳ رقم آخر توهمِ دقت‌ن.

چرا این دو تا فرق دارن

مثال ترکیبی

یه اتاق مستطیلی رو با متر اندازه می‌گیریم:

مساحت = \( L \times W \) → قاعده‌ی ۲ (ضرب):

\[ A = 4.52 \times 3.10 = 14.012 \to \boxed{14.0\ \mathrm{m}^{2}} \]

سه رقم بامعنا (چون ورودی‌ها هر دو سه رقم دارن).

محیط = \( 2L + 2W \) → قاعده‌ی ۱ (جمع):

\[ P = 2(4.52) + 2(3.10) = 9.04 + 6.20 = 15.24 \to \boxed{15.24\ \mathrm{m}} \]

اینجا هر دو تا دو رقم اعشار دارن، پس جواب هم دو رقم اعشار.

توجه: ضرب در 2 عدد دقیق (exact) عه — از تعریف میاد، نه از اندازه‌گیری — و در شمارش sig figs محدودیت ایجاد نمی‌کنه. همین قاعده برای ثابت‌های تعریفی (مثل \( c \) که از 2019 دقیقاً 299,792,458 m/sـه) و ثابت‌های شمارشی (\( N_A \) از 2019) هم صادقه.

رند کردن — کدوم قاعده؟

وقتی رقم بعدی 5 باشه، دو قاعده‌ی رایج هست:

  1. Round half up (قاعده‌ی مدرسه): \( 2.35 \to 2.4 \)، \( 2.45 \to 2.5 \). ساده‌ست، ولی سوگیری داره — همیشه به بالا رند می‌کنه، پس در محاسبات طولانی میانگین رو کمی بالا می‌بره.

  2. Round half to even (بانکداری، IEEE 754): \( 2.35 \to 2.4 \) (بالا)، \( 2.45 \to 2.4 \) (پایین!) — چون هدف اینه که رقم آخر زوج بشه. در محاسبات علمی و مالی این استاندارده چون سوگیری بلندمدت نداره.

پایتون، R، MATLAB، Julia، و اکثر محاسبات علمی از قاعده‌ی دوم استفاده می‌کنن. اگه دیدی round(2.5) تو پایتون 2 می‌ده و نه 3، این دلیلشه.

گزارش عدم قطعیت به روش صریح

رقم بامعنا یک قرارداد ضمنی ـه. برای دقت بیشتر، عدم قطعیت رو صریح گزارش کن:

هر جا داری مقاله می‌نویسی یا داده‌ی آزمایشگاهی ثبت می‌کنی، این قالب‌ها رو استفاده کن — رقم‌های بامعنا برای متن‌های آموزشی و محاسبات سرانگشتی کافی‌ان، ولی برای گزارش دقیق کم‌ن.

اشتباه‌های رایج

۱. رند کردن زودهنگام. اگه یه محاسبه‌ی چندمرحله‌ای داری، در مراحل میانی همه‌ی رقم‌های ماشین‌حساب رو نگه دار؛ فقط در جواب نهایی رند کن. اگه در هر مرحله رند کنی، خطای انباشته بزرگ می‌شه.

۲. اعداد دقیق رو مثل اعداد اندازه‌گیری‌شده در نظر گرفتن. ضرایب فرمول (\( \tfrac{1}{2} \), \( 2\pi \))، شمارش صحیح (۵ دانش‌آموز، ۲۴ ساعت در روز)، و ثابت‌های تعریفی SI پس از 2019 (c, h, e, k, N_A) همه دقیق‌ن — رقم بامعنا نامحدود.

۳. sig figs از ثابت‌های اندازه‌گیری‌شده. برخی ثابت‌ها هنوز اندازه‌گیری‌شده باقی موندن (مثل \( G \) که به دقت `2.2 × 10^{-5}$ نسبی معلومه)، پس بهش به‌عنوان یک اندازه‌گیری با تعداد رقم بامعنا نگاه کن، نه یه عدد دقیق.

۴. نمایش scientific vs sig figs. یه ماشین‌حساب می‌تونه 3.400000000 نمایش بده — این یعنی 3.4 با اضافه‌ی رقم بی‌معنی. اگه می‌خوای نشون بدی که چهار رقم بامعنا داری، بنویس 3.400 نه 3.4.

۵. صفرهای انتهاییِ مبهم در گزارش. اگه فاصله‌ی زمین تا خورشید حدود 150,000,000 km عه، بنویس 1.50 × 10^{8} km تا سیگ فیگ روشن باشه — نه 150,000,000 km که تشخیص‌ناپذیره چند رقم بامعنا داره.

چه چیزی رو باید یاد بگیری

بعد از این بخش باید بتونی:

📚 همچنین ببین: Halliday Vol 1, Ch 1 — بخش‌های تبدیل یکا و مسائل سیگ‌فیگ در انتهای فصل. 📖 مرجع آزاد: NIST — Uncertainty of Measurement Results (روش رسمی گزارش عدم قطعیت با نمونه‌ها). 📖 BIPM — Guide to the Expression of Uncertainty in Measurement (GUM) (استاندارد جهانی). 📖 IEEE 754 — Standard for Floating-Point Arithmetic (منبع قاعده‌ی round-half-to-even).

⇧ بازگشت به فهرست فصل

سوالی دارید؟ 🤔

اگه مفهومی نامشخص بود یا سوالی داشتید، اینجا بپرسید. جوابتون در اینجا منتشر می‌شه.