Valutazione dei dati nella ricerca: accuratezza, precisione e tipi di errori

Quando si studiano o si riesaminano dati scientifici, è essenziale e di primaria importanza studiare e valutare attentamente i dati scientifici. I dati scientifici sono un fattore cruciale nell'elaborazione delle politiche e hanno anche un effetto profondo e di vasta portata nella conduzione della ricerca. Se presentati con calcoli accurati e precisi, i dati contribuiscono notevolmente a rendere la valutazione dei dati scientifici un successo. Quando le decisioni sono supportate da dati scientifici accurati, si dà più credibilità alla ricerca scientifica.

L'accuratezza dei dati scientifici dipende dalla precisione dell'esperimento. La replica continua di un esperimento fornisce dati più accurati e più informazioni rispetto ai dati raccolti sperimentando solo poche volte. Tali dati si ottengono ripetendo gli stessi passaggi ancora e ancora durante la sperimentazione. La ripetizione dell'esperimento fa emergere errori imprevisti e dà la possibilità di negarli. I dati, quando privi di errori, diventano accurati e danno un risultato che ci si aspettava di ottenere dall'esperimento.

Nei dati scientifici, termini come errori, precisione e accuratezza hanno un grande significato. Devono essere capiti in dettaglio per capire meglio come funziona la valutazione dei dati nella ricerca scientifica. Inoltre, la relazione tra questi termini deve essere percepita in vari modi, per rendere la ricerca scientifica un successo.

Precisione

Quando la misurazione è accurata, è molto vicina al valore reale. Il valore reale è il valore che non è noto in anticipo, ma di solito è il valore desiderato che dovrebbe essere raggiunto. La precisione è come colpire l'occhio di bue che un dardo prende di mira ogni volta che viene lanciato. Se il dardo manca di colpire l'occhio di bue ed è abbastanza vicino per colpirlo, misura la precisione del dardo. Qualsiasi differenza tra il valore reale e il valore accettato è un errore.

Prendi un altro esempio, per esempio. Se il volume di un liquido deve essere preso a 100 ml, e invece il volume misurato è 98 ml, è molto vicino a fornire l'accuratezza dell'esperimento. La precisione è definita come la distanza tra la misurazione e il valore reale o accettato. La precisione si ottiene effettuando diverse misurazioni e facendo una media dei valori di misurazione. La differenza tra questi può essere espressa come positiva o negativa. Un valore positivo è anche il valore assoluto e sta leggendo con un punteggio alto. Un valore negativo è anche il valore assoluto quando la lettura ha un punteggio basso.

Consigliato per te: Data Science vs. Intelligenza Artificiale: quali sono le differenze?

Come misurare la precisione

La precisione può essere assoluta o relativa. Anche in questo caso, l'accuratezza viene misurata in termini di errori o differenze di valori. Pertanto, otteniamo un'accuratezza assoluta o un'accuratezza relativa.

Errore assoluto: la precisione assoluta è la differenza tra un valore misurato e il valore reale. Se il valore misurato è inferiore al valore reale, il risultato è negativo o negativo. E quando il valore misurato è maggiore del valore reale o vero, il risultato è un valore positivo o positivo. Questo può essere espresso anche con un semplice calcolo: Errore assoluto = Valore misurato – Valore reale.

Errore relativo: viene misurato in percentuale. Quando l'errore assoluto è diviso per il valore vero e viene moltiplicato per 100, otteniamo una percentuale di errore relativo. È anche espresso in parti per mille o parti per milione, a seconda dei casi. Pertanto, l'errore relativo può essere ottenuto con le formule:

 Errore relativo = {(Valore misurato – Valore vero) / Valore vero} x 100%

Precisione

La precisione è un altro fattore che influenza la valutazione dei dati. Si può dire come i valori ripetuti che sono stati raggiunti nelle stesse condizioni ed eseguendo l'esperimento molte volte. Nel caso del gioco delle freccette, se il dardo continua a mancare l'occhio di bue e continua a colpire lo stesso punto, vicino all'occhio di bue, ripetutamente, è una misura di quanto fosse preciso il dardo. Per tornare all'analisi scientifica, la precisione è il numero di volte in cui è stata raggiunta la stessa misurazione. Se ci si aspettava che il volume reale e desiderato di liquido fosse 100 ml, e ogni 10 volte che l'esperimento veniva eseguito, il risultato arrivava a 80 ml, i dati si possono dire precisi. Perché il risultato è stato che il volume del liquido era di 80 ml, ed è stato raggiunto ogni 10 volte l'esperimento è stato fatto.

Precisione e precisione non sono termini a sé stanti ma sono correlati tra loro. Questo è espresso in termini di errori. Gli errori sono causati da strumenti difettosi e anche dall'uomo. Questi possono essere ulteriormente classificati come errori sistematici ed errori casuali. Comprendere gli errori è un modo migliore per comprendere i termini di accuratezza e precisione.

Errore sistematico

Gli errori causati da strumenti difettosi presi per un esperimento o dall'utilizzo di strumenti vecchi e obsoleti per le misurazioni sono errori sistematici. Ad esempio, utilizzando scale di misurazione arrugginite e vecchie. Gli errori sistematici di solito non sono un errore da parte della persona che misura o fa esperimenti. È un errore nel sistema o nell'impostazione utilizzata che causa l'errore. Tale errore può essere corretto sostituendo il vecchio con il nuovo e regolando e correggendo i sistemi utilizzati.

Un bersaglio, ad esempio, fissato ad un angolo, in modo tale che le freccette continuino a colpire il lato sinistro è un errore sistematico e il riallineamento del bersaglio correggerà questo errore. Una scala di misurazione arrugginita e vecchia può essere sostituita con una nuova scala, in modo tale che i segni siano in grassetto e visibili, e corregge l'errore. Ma se prendi più misurazioni da un vecchio righello e prendi le misurazioni medie, il risultato sarà lontano dal valore reale.

Gli errori sistematici possono essere:

• Errori nei calcoli.
• Prendendo temperature errate.
• Perdita meccanica di materiale in varie fasi.
• Nell'analisi sono state utilizzate sostanze impure.
• Errori nelle letture.
• Strumenti non calibrati correttamente.
• Braccia di lunghezza disuguale.
• Materiali estranei che entrano nell'esperimento.
• Utilizzo di sostanze chimiche impure per un esperimento.

Potrebbe piacerti: Applicare i Big Data per avvantaggiare la tua pubblicità sui social media.

Errore casuale

Gli errori casuali sono relativamente più facili da correggere. Questo errore è un tipo di errore umano, e un errore di giudizio, da parte delle persone che effettuano le letture o che fanno l'esperimento. Prendere più letture e poi arrivare a una cifra media sarà più vicino al valore reale.

Figure significative

Una cifra significativa è una cifra con valore pratico. Comprendendo il concetto se una cifra ha cifre significative, possiamo vedere alcune regole. Queste regole sono applicabili per venire a conoscenza di cifre con valore pratico e cifre che non hanno valore pratico e la loro posizione in un numero non lo influenza in alcun modo. Queste regole sono:

• Le cifre che non sono "zeri" sono sempre significative. Ad esempio, 269 è una cifra significativa.
• Gli zeri all'inizio non sono significativi. Ad esempio, 0,065.
• Gli zeri captive sono significativi. Ad esempio, 2.0085.
• Se un numero ha punti decimali e gli zeri sono in coda dietro il numero, il numero è significativo. Ad esempio, 3.65800.
• Lo zero può essere o non può essere una cifra significativa. Dipende da dove è posizionato in un numero. Ad esempio, in 15.0002598 o 25.365100, gli zeri sono cifre significative. Zero prima di un punto decimale, ad es. 0,00258, ci sono solo tre cifre significative, poiché gli zeri non hanno alcun valore pratico.

Inoltre, le cifre significative sono determinate anche da un insieme di regole, che sono:

• L'addizione/sottrazione viene arrotondata al numero più basso di cifre decimali.
• La moltiplicazione/divisione è arrotondata al minor numero di cifre significative.
• I logaritmi vengono arrotondati in modo tale che diverse cifre significative nell'input corrispondano al numero di decimali nel risultato.
• L'esponenziazione arrotondata alla certezza solo nella base.
• Gli zeri finali vengono inseriti dopo una cifra decimale dopo il numero. Ad esempio, 1200.
• Arrotonda nell'ultimo passaggio. Segue parentesi quando è applicabile.

Calcolo e calcolatrice di cifre significative

Good Calculator ha il suo Calcolatore di cifre significative e calcola e calcola quante cifre significative contiene un numero.

Quali operatori e funzioni sono supportati dal Calcolatore di cifre significative?

• Funzioni aritmetiche come addizione (+), sottrazione (-), divisione (/ o ÷), moltiplicazione (* o x), esponente (^).
• Raggruppa simboli come ().
• Funzioni come log n, ln n.
• Costanti come pi, e.

Potrebbe piacerti anche: Tecnologia che scava nei dati profondi: una caccia al tesoro globale nel mondo reale.

Come utilizzare il calcolatore di cifre significative per la precisione dei risultati?

Quando si calcola il Calcolatore di cifre significative a volte, i dati del risultato non sono accurati. Quindi, per ottenere una maggiore precisione nei dati, metti # alla fine del numero. Ad esempio, 6.24#.

 Esempio: 10,00698 ÷ 13,6 = 0,736 (le cifre significative sono 3).

 10.00698 ÷ 13.6# = 0.7358074 (le cifre significative sono 7).

Aggiungendo il simbolo # alla fine del numero si ottengono risultati più accurati rispetto alla semplice immissione di un numero. Figure significative è solo un modo per dare maggiore precisione nelle misurazioni e nei calcoli. Applicando le regole di cui sopra nel calcolo di una cifra significativa, gli utenti possono essere più precisi nell'arrivare ai risultati. È applicabile in tutti i campi del calcolo scientifico e ha un impatto rilevante e diretto sulla valutazione dei dati scientifici.