Ocena danych w badaniach: dokładność, precyzja i rodzaje błędów

Podczas badania lub przeglądu danych naukowych bardzo ważne i pierwszorzędne jest dokładne zbadanie i ocena danych naukowych. Dane naukowe są kluczowym czynnikiem w tworzeniu polityki, a także mają głęboki i dalekosiężny wpływ na prowadzenie badań. Przedstawione wraz z dokładnymi i precyzyjnymi obliczeniami dane znacznie przyczyniają się do powodzenia oceny danych naukowych. Kiedy decyzje są poparte dokładnymi danymi naukowymi, daje to większą wiarygodność badaniom naukowym.

Dokładność danych naukowych zależy od precyzji eksperymentu. Powtarzanie eksperymentu w kółko daje dokładniejsze dane i więcej informacji niż dane zebrane przez eksperymenty tylko kilka razy. Takie dane uzyskuje się poprzez powtarzanie tych samych kroków podczas eksperymentowania. Powtórzenie eksperymentu przynosi nieoczekiwane błędy i daje szansę na ich zanegowanie. Dane, gdy są wolne od błędów, stają się dokładne i dają oczekiwany wynik eksperymentu.

W danych naukowych duże znaczenie mają takie terminy jak błędy, precyzja i dokładność. Muszą być one szczegółowo zrozumiane, aby lepiej zrozumieć, jak działa ewaluacja danych w badaniach naukowych. Również związek między tymi terminami musi być postrzegany w różny sposób, aby badania naukowe zakończyły się sukcesem.

Dokładność

Gdy pomiar jest dokładny, jest bardzo zbliżony do rzeczywistej wartości. Rzeczywista wartość to wartość, która nie jest znana z góry, ale zwykle oczekuje się, że zostanie osiągnięta wartość pożądana. Dokładność jest jak trafienie w dziesiątkę, w którą trafia rzutka za każdym razem, gdy zostanie rzucona. Jeśli strzałka nie trafi w bycze oko i jest wystarczająco blisko, by ją trafić, mierzy dokładność strzałki. Jakakolwiek różnica między wartością rzeczywistą a wartością akceptowaną jest błędem.

Weźmy na przykład inny przykład. Jeśli objętość cieczy ma przyjąć 100 ml, a zamiast tego zmierzona objętość wynosi 98 ml, jest to bardzo zbliżone do dokładności eksperymentu. Dokładność jest definiowana jako stopień zbliżenia pomiaru do wartości rzeczywistej lub akceptowanej. Dokładność uzyskuje się wykonując kilka pomiarów i biorąc średnią z wartości pomiarowych. Różnica między nimi może być wyrażona jako pozytywna lub negatywna. Wartość dodatnia jest również wartością bezwzględną i jest to czytanie z wysokim wynikiem. Wartość ujemna jest również wartością bezwzględną, gdy odczyt jest niski.

Polecane dla Ciebie: Data Science a sztuczna inteligencja – jakie są różnice?

Jak zmierzyć dokładność

Dokładność może być bezwzględna lub względna. Ponownie dokładność mierzy się w kategoriach błędów lub różnic wartości. W ten sposób otrzymujemy dokładność absolutną lub względną.

Błąd bezwzględny: Dokładność bezwzględna to różnica między wartością zmierzoną a wartością rzeczywistą. Jeżeli zmierzona wartość jest niższa od rzeczywistej, wynik jest ujemny lub ujemny. A gdy zmierzona wartość jest wyższa niż wartość rzeczywista lub prawdziwa, wynik jest wartością dodatnią lub dodatnią. Można to również wyrazić za pomocą prostego obliczenia: Błąd bezwzględny = Wartość zmierzona – Wartość rzeczywista.

Błąd względny: jest mierzony w procentach. Gdy błąd bezwzględny zostanie podzielony przez wartość prawdziwą i pomnożony przez 100, otrzymujemy procent błędu względnego. Wyraża się ją również w częściach na tysiąc lub częściach na milion, w zależności od przypadku. Zatem błąd względny można uzyskać za pomocą wzorów:

 Błąd względny = {(Wartość zmierzona – Wartość prawdziwa) / Wartość prawdziwa} x 100%

Precyzja

Precyzja to kolejny czynnik wpływający na ocenę danych. Można to określić jako powtarzające się wartości, które zostały osiągnięte w tych samych warunkach i wielokrotnie przeprowadzając eksperyment. W przypadku gry w rzutki, jeśli lotka ciągle nie trafia w bycze oko i ciągle trafia w to samo miejsce, blisko byczego oka, jest to miara precyzji strzałki. Wracając do analizy naukowej, precyzja oznacza, ile razy wykonano ten sam pomiar. Jeśli oczekiwano, że rzeczywista i pożądana objętość płynu to 100 ml, a po każdych 10 przeprowadzonych eksperymentach wynik dochodził do 80 ml, dane można uznać za dokładne. Ponieważ wynik był taki, że objętość płynu wynosiła 80 ml i osiągano to co 10 razy w trakcie eksperymentu.

Dokładność i precyzja nie są terminami samodzielnymi, ale są ze sobą powiązane. Wyraża się to w postaci błędów. Błędy są powodowane przez wadliwe instrumenty, a także przez ludzi. Można je dalej sklasyfikować jako błędy systematyczne i błędy losowe. Zrozumienie błędów to lepszy sposób na zrozumienie terminów dokładności i precyzji.

Błąd systematyczny

Błędy spowodowane przez wadliwe przyrządy wzięte do eksperymentu lub używające starych i przestarzałych przyrządów do pomiarów są błędami systematycznymi. Na przykład za pomocą zardzewiałych i starych wag pomiarowych. Błędy systematyczne zwykle nie są błędem osoby mierzącej lub przeprowadzającej eksperymenty. Jest to błąd w systemie lub używanej konfiguracji, który powoduje błąd. Taki błąd można naprawić, wymieniając stare na nowe oraz dostosowując i poprawiając stosowane systemy.

Na przykład tarcza do rzutek ustawiona pod takim kątem, że rzutki wciąż uderzają w lewą stronę, jest błędem systematycznym, a ponowne wyrównanie tarczy poprawi ten błąd. Zardzewiałą i starą skalę pomiarową można wymienić na nową, tak aby oznaczenia były pogrubione i widoczne, co naprawia błąd. Ale jeśli wykonasz wiele pomiarów ze starej linijki i wykonasz średnie pomiary, wynik będzie daleki od rzeczywistej wartości.

Błędy systematyczne mogą być:

• Błędy w obliczeniach.
• Przyjmowanie nieprawidłowych temperatur.
• Ubytki mechaniczne materiału na różnych etapach.
• W analizie użyto substancji zanieczyszczonych.
• Błędy w odczytach.
• Przyrządy nie są właściwie skalibrowane.
• Ramiona o nierównej długości.
• Materiały obce wchodzące do eksperymentu.
• Używanie nieczystych chemikaliów do eksperymentu.

Możesz chcieć: Stosowanie Big Data w celu uzyskania korzyści z reklam w mediach społecznościowych.

Błąd losowy

Błędy losowe są stosunkowo łatwiejsze do naprawienia. Ten błąd jest rodzajem błędu ludzkiego i błędu w ocenie ze strony osób dokonujących odczytów lub przeprowadzających eksperyment. Wykonanie wielu odczytów, a następnie uzyskanie średniej wartości będzie bliższe rzeczywistej wartości.

Znaczące liczby

Cyfra znacząca to cyfra o wartości praktycznej. Rozumiejąc pojęcie, czy cyfra ma cyfry znaczące, możemy zobaczyć pewne zasady. Zasady te mają zastosowanie do poznania cyfr o wartości praktycznej i cyfr, które nie mają wartości praktycznej, a ich miejsce w liczbie w żaden sposób na to nie wpływa. Te zasady to:

• Cyfry, które nie są zerami, są zawsze znaczące. Na przykład 269 to cyfra znacząca.
• Zera na początku nie są znaczące. Na przykład 0,065.
• Zera w niewoli są znaczące. Na przykład 2.0085.
• Jeśli liczba ma kropki dziesiętne, a za liczbą znajdują się zera, to liczba ta jest znacząca. Na przykład 3.65800.
• Zero może być lub nie może być liczbą znaczącą. Zależy to od tego, gdzie jest umieszczony w liczbie. Na przykład w 15.0002598 lub 25.365100 zera są cyframi znaczącymi. Zero przed przecinkiem np. 0,00258 są tylko trzy cyfry znaczące, ponieważ zera nie mają żadnej praktycznej wartości.

Co więcej, liczby znaczące są również określane przez zestaw zasad, którymi są:

• Dodawanie/odejmowanie jest zaokrąglane do najmniejszej liczby miejsc po przecinku.
• Mnożenie/dzielenie jest zaokrąglane do najmniejszej liczby cyfr znaczących.
• Logarytmy są zaokrąglane w taki sposób, że kilka cyfr znaczących na wejściu odpowiada liczbie miejsc dziesiętnych w wyniku.
• Potęgowanie zaokrągla się do pewności tylko w podstawie.
• Końcowe zera są umieszczane po przecinku po liczbie. Na przykład 1200.
• Rundy na ostatnim kroku. W stosownych przypadkach następuje nawias.

Obliczanie i kalkulator znaczących liczb

Good Calculators ma swój własny kalkulator znaczących cyfr, który oblicza i oblicza, ile cyfr znaczących zawiera liczba.

Jakie operatory i funkcje obsługuje Kalkulator cyfr znaczących?

• Funkcje arytmetyczne, takie jak dodawanie (+), odejmowanie (-), dzielenie (/ lub ÷), mnożenie (* lub x), wykładnik (^).
• Symbole grupowe, takie jak ().
• Funkcje takie jak log n, ln n.
• Stałe takie jak pi, np.

Możesz także polubić: Technologia Kopanie głębokich danych: globalne poszukiwanie skarbów w świecie rzeczywistym.

Jak korzystać z kalkulatora znaczących liczb, aby uzyskać dokładność wyników?

Czasami podczas obliczania kalkulatora znaczących liczb dane wynikowe nie są dokładne. Tak więc, aby uzyskać większą dokładność danych, umieść # na końcu liczby. Na przykład 6.24#.

 Przykład: 10.00698 ÷ 13,6 = 0,736 (Istotne liczby to 3).

 1000698 ÷ 13,6# = 0,7358074 (Istotne liczby to 7).

Dodanie symbolu # na końcu liczby daje dokładniejsze wyniki niż samo wpisanie liczby. Cyfry znaczące to tylko sposób na zapewnienie większej precyzji pomiarów i obliczeń. Stosując powyższe zasady przy obliczaniu liczby znaczącej, użytkownicy mogą być bardziej precyzyjni w uzyskiwaniu wyników. Ma zastosowanie we wszystkich dziedzinach obliczeń naukowych i ma istotny i bezpośredni wpływ na ocenę danych naukowych.