การประเมินข้อมูลในการวิจัย: ความแม่นยำ ความแม่นยำ และประเภทของข้อผิดพลาด

เมื่อศึกษาหรือทบทวนข้อมูลทางวิทยาศาสตร์ จำเป็นต้องศึกษาและประเมินข้อมูลทางวิทยาศาสตร์อย่างรอบคอบและมีความสำคัญอย่างยิ่ง ข้อมูลทางวิทยาศาสตร์เป็นปัจจัยสำคัญในการกำหนดนโยบายและมีผลอย่างลึกซึ้งและกว้างขวางในการดำเนินการวิจัย เมื่อนำเสนอด้วยการคำนวณที่แม่นยำและแม่นยำ ข้อมูลจะช่วยให้การประเมินข้อมูลทางวิทยาศาสตร์ประสบความสำเร็จอย่างมาก เมื่อการตัดสินใจได้รับการสนับสนุนจากข้อมูลทางวิทยาศาสตร์ที่ถูกต้อง จะทำให้การวิจัยทางวิทยาศาสตร์มีความน่าเชื่อถือมากขึ้น

ความถูกต้องของข้อมูลทางวิทยาศาสตร์ขึ้นอยู่กับความแม่นยำของการทดลอง การจำลองการทดลองซ้ำแล้วซ้ำเล่าให้ข้อมูลที่แม่นยำและข้อมูลมากกว่าข้อมูลที่รวบรวมโดยการทดลองเพียงไม่กี่ครั้งเท่านั้น ข้อมูลดังกล่าวทำได้โดยการทำซ้ำขั้นตอนเดิมซ้ำแล้วซ้ำอีกเมื่อทำการทดลอง การทดสอบซ้ำจะทำให้เกิดข้อผิดพลาดที่ไม่คาดคิดและให้โอกาสในการลบล้าง ข้อมูลเมื่อไม่มีข้อผิดพลาดจะมีความแม่นยำและให้ผลลัพธ์ที่คาดว่าจะได้รับจากการทดสอบ

ในข้อมูลทางวิทยาศาสตร์ คำต่างๆ เช่น ข้อผิดพลาด ความแม่นยำ และความถูกต้องมีความสำคัญอย่างมาก ต้องเข้าใจในรายละเอียดบางอย่างเพื่อทำความเข้าใจว่าการประเมินข้อมูลทำงานอย่างไรในการวิจัยทางวิทยาศาสตร์ นอกจากนี้ ความสัมพันธ์ระหว่างข้อกำหนดเหล่านี้จะต้องถูกรับรู้ในรูปแบบต่างๆ เพื่อให้การวิจัยทางวิทยาศาสตร์ประสบความสำเร็จ

ความแม่นยำ

เมื่อค่าที่วัดได้แม่นยำก็ใกล้เคียงกับค่าจริงมาก มูลค่าที่แท้จริงคือค่าที่ไม่ทราบล่วงหน้า แต่โดยปกติแล้วจะเป็นค่าที่ต้องการซึ่งคาดว่าจะได้รับ ความแม่นยำก็เหมือนกับการเตะตาวัวที่ลูกดอกพุ่งเข้าเป้าทุกครั้งที่ขว้าง หากลูกดอกพลาดไปชนกับตาวัวและอยู่ใกล้พอที่จะชน มันจะวัดความแม่นยำของลูกดอก ความแตกต่างระหว่างมูลค่าจริงและมูลค่าที่ยอมรับถือเป็นข้อผิดพลาด

ยกตัวอย่างอื่นเช่น หากต้องใช้ปริมาตรของของเหลวที่ 100 มล. และปริมาตรที่วัดได้คือ 98 มล. แทน ถือว่าใกล้เคียงกับการให้ความแม่นยำของการทดลองมาก ความแม่นยำถูกกำหนดให้ใกล้เคียงกับการวัดจริงหรือค่าที่ยอมรับได้ ความแม่นยำทำได้โดยการวัดหลาย ๆ ครั้งแล้วหาค่าเฉลี่ยของค่าที่วัดได้ ความแตกต่างระหว่างสิ่งเหล่านี้สามารถแสดงเป็นบวกหรือลบก็ได้ ค่าบวกก็เป็นค่าสัมบูรณ์เช่นกัน และค่านั้นกำลังอ่านด้วยคะแนนสูง ค่าลบยังเป็นค่าสัมบูรณ์เมื่อการอ่านอยู่ที่คะแนนต่ำ

แนะนำสำหรับคุณ: วิทยาศาสตร์ข้อมูลกับปัญญาประดิษฐ์ – อะไรคือความแตกต่าง?

วิธีวัดความแม่นยำ

ความแม่นยำสามารถเป็นได้ทั้งแบบสัมบูรณ์หรือแบบสัมพัทธ์ อีกครั้ง ความแม่นยำถูกวัดในแง่ของข้อผิดพลาดหรือความแตกต่างของค่า ดังนั้นเราจึงได้ความแม่นยำสัมบูรณ์หรือความแม่นยำสัมพัทธ์

ข้อผิดพลาดแน่นอน: ความแม่นยำแน่นอนคือความแตกต่างระหว่างค่าที่วัดได้กับค่าจริง หากค่าที่วัดได้ต่ำกว่าค่าจริง ผลลัพธ์จะเป็นค่าลบหรือค่าลบ และเมื่อค่าที่วัดได้สูงกว่าค่าจริงหรือค่าจริง ผลลัพธ์จะเป็นค่าบวกหรือค่าบวก นอกจากนี้ยังสามารถแสดงได้ด้วยการคำนวณอย่างง่าย: ข้อผิดพลาดแอบโซลูท = ค่าที่วัดได้ – มูลค่าจริง

ข้อผิดพลาดสัมพัทธ์: ค่านี้วัดเป็นเปอร์เซ็นต์ เมื่อค่าคลาดเคลื่อนสัมบูรณ์ถูกหารด้วยค่าจริงและคูณด้วย 100 เราจะได้ค่าเปอร์เซ็นต์ของข้อผิดพลาดสัมพัทธ์ นอกจากนี้ยังแสดงด้วยส่วนในพันหรือส่วนในล้าน แล้วแต่กรณี ดังนั้นข้อผิดพลาดสัมพัทธ์สามารถมาถึงได้โดยสูตร:

 ข้อผิดพลาดสัมพัทธ์ = {(ค่าที่วัด – ค่าจริง) / ค่าจริง} x 100%

ความแม่นยำ

ความแม่นยำเป็นอีกปัจจัยหนึ่งที่ส่งผลต่อการประเมินข้อมูล อาจกล่าวได้ว่าเป็นค่าที่ทำซ้ำซึ่งได้รับในสภาวะเดียวกันและทำการทดลองซ้ำหลายครั้ง ในกรณีของเกมปาลูกดอก ถ้าลูกดอกไม่ลืมตาของวัว และยังคงตีจุดเดิม ใกล้กับตาวัว ซ้ำแล้วซ้ำเล่า จะเป็นการวัดว่าลูกดอกนั้นแม่นยำเพียงใด ในการกลับมาสู่การวิเคราะห์ทางวิทยาศาสตร์ ความแม่นยำคือจำนวนครั้งที่ทำการวัดได้แบบเดียวกัน หากคาดว่าปริมาตรของของเหลวจริงและที่ต้องการจะเท่ากับ 100 มล. และทุกๆ 10 ครั้งที่ทำการทดลอง ผลลัพธ์จะออกมาที่ 80 มล. ข้อมูลสามารถพูดได้อย่างแม่นยำ เนื่องจากผลที่ได้คือปริมาตรของของเหลวคือ 80 มล. และทำการทดลองได้สำเร็จทุกๆ 10 ครั้ง

ความแม่นยำและความแม่นยำไม่ใช่ข้อกำหนดแบบสแตนด์อโลนแต่มีความสัมพันธ์ซึ่งกันและกัน นี้แสดงในแง่ของข้อผิดพลาด ข้อผิดพลาดเกิดจากเครื่องมือที่ผิดพลาดและโดยมนุษย์ด้วย สิ่งเหล่านี้สามารถจำแนกเพิ่มเติมเป็นข้อผิดพลาดของระบบและข้อผิดพลาดแบบสุ่ม การทำความเข้าใจข้อผิดพลาดเป็นวิธีที่ดีกว่าในการทำความเข้าใจเงื่อนไขความแม่นยำและความแม่นยำ

ข้อผิดพลาดของระบบ

ข้อผิดพลาดที่เกิดจากเครื่องมือที่ผิดพลาดสำหรับการทดลองหรือการใช้เครื่องมือที่เก่าและล้าสมัยในการวัดนั้นเป็นข้อผิดพลาดอย่างเป็นระบบ ตัวอย่างเช่น การใช้ตาชั่งที่ขึ้นสนิมและเก่า ข้อผิดพลาดอย่างเป็นระบบมักไม่ใช่ข้อผิดพลาดในส่วนของบุคคลที่วัดหรือทำการทดลอง เป็นข้อผิดพลาดในระบบหรือการตั้งค่าที่ใช้ที่ทำให้เกิดข้อผิดพลาด ข้อผิดพลาดดังกล่าวสามารถแก้ไขได้โดยแทนที่เก่าด้วยใหม่ และโดยการปรับและแก้ไขระบบที่ใช้

ตัวอย่างเช่น กระดานปาเป้าที่ถูกตรึงไว้ที่มุม โดยที่ปาเป้าไปโดนด้านซ้ายเป็นข้อผิดพลาดอย่างเป็นระบบ และการปรับแนวกระดานปาเป้าใหม่จะช่วยแก้ไขข้อผิดพลาดนี้ได้ สามารถเปลี่ยนมาตราส่วนการวัดที่เป็นสนิมและเก่าด้วยมาตราส่วนใหม่ได้ โดยให้เครื่องหมายเป็นตัวหนาและมองเห็นได้ และแก้ไขข้อผิดพลาดนั้นได้ แต่ถ้าคุณใช้การวัดหลายอันจากไม้บรรทัดเก่า แล้วเอาค่าเฉลี่ยมา ผลลัพธ์จะออกมาไกลจากค่าจริง

ข้อผิดพลาดที่เป็นระบบสามารถ:

• ข้อผิดพลาดในการคำนวณ
• การวัดอุณหภูมิที่ไม่ถูกต้อง
• การสูญเสียทางกลของวัสดุในขั้นตอนต่างๆ
• การวิเคราะห์ใช้สารที่ไม่บริสุทธิ์
• ข้อผิดพลาดในการอ่าน
• เครื่องมือไม่ได้รับการสอบเทียบอย่างถูกต้อง
• แขนที่มีความยาวไม่เท่ากัน
• วัสดุต่างประเทศเข้าสู่การทดลอง
• การใช้สารเคมีเจือปนในการทดลอง

คุณอาจชอบ: การใช้ข้อมูลขนาดใหญ่เพื่อประโยชน์ในการโฆษณาบนโซเชียลมีเดียของคุณ

ข้อผิดพลาดแบบสุ่ม

ข้อผิดพลาดแบบสุ่มค่อนข้างง่ายต่อการแก้ไข ข้อผิดพลาดนี้เป็นข้อผิดพลาดประเภทหนึ่งของมนุษย์ และข้อผิดพลาดในการตัดสิน ในส่วนของบุคคลที่อ่านค่าหรือทำการทดลอง การอ่านหลายค่าแล้วมาที่ค่าเฉลี่ยจะใกล้เคียงกับมูลค่าที่แท้จริงมากขึ้น

บุคคลสำคัญ

ตัวเลขที่มีนัยสำคัญคือตัวเลขที่มีค่าเชิงปฏิบัติ การทำความเข้าใจแนวคิดที่ว่าตัวเลขนั้นมีนัยสำคัญหรือไม่ เราสามารถเห็นกฎเกณฑ์บางประการ กฎเหล่านี้ใช้บังคับเพื่อเรียนรู้เกี่ยวกับตัวเลขที่มีค่าจริงและตัวเลขที่ไม่มีค่าในทางปฏิบัติและการแทนที่ในตัวเลขจะไม่ส่งผลกระทบในทางใดทางหนึ่ง กฎเหล่านี้คือ:

• ตัวเลขที่ไม่ใช่ 'ศูนย์' มีความสำคัญเสมอ ตัวอย่างเช่น 269 เป็นตัวเลขที่มีนัยสำคัญ
• เลขศูนย์ที่จุดเริ่มต้นไม่สำคัญ ตัวอย่างเช่น 0.065
• ศูนย์เชลยมีความสำคัญ ตัวอย่างเช่น 2.0085
• หากตัวเลขมีจุดทศนิยมและเลขศูนย์อยู่ด้านหลังตัวเลข แสดงว่าตัวเลขนั้นมีนัยสำคัญ ตัวอย่างเช่น 3.65800
• ศูนย์สามารถหรือไม่สามารถเป็นตัวเลขที่มีนัยสำคัญได้ ขึ้นอยู่กับตำแหน่งที่จะวางในตัวเลข ตัวอย่างเช่น ใน 15.0002598 หรือ 25.365100 ศูนย์เป็นตัวเลขที่มีนัยสำคัญ ศูนย์ก่อนจุดทศนิยม เช่น 0.00258 มีตัวเลขนัยสำคัญเพียงสามตัว เนื่องจากศูนย์ไม่มีค่าที่ใช้งานได้จริง

นอกจากนี้ ตัวเลขที่สำคัญยังถูกกำหนดโดยชุดของกฎ ซึ่งได้แก่:

• การบวก/การลบจะถูกปัดเศษเป็นจำนวนตำแหน่งทศนิยมต่ำสุด
• การคูณ/หารจะถูกปัดเศษเป็นเลขนัยสำคัญที่ต่ำที่สุด
• ลอการิทึมจะถูกปัดเศษเพื่อให้ตัวเลขที่มีนัยสำคัญหลายตัวในอินพุตตรงกับจำนวนทศนิยมในผลลัพธ์
• การยกกำลังปัดเศษเพื่อความแน่นอนในฐานเท่านั้น
• เลขศูนย์ต่อท้ายจะอยู่หลังตำแหน่งทศนิยมหลังตัวเลข ตัวอย่างเช่น 1200
• ปัดเศษในขั้นตอนสุดท้าย เป็นไปตามวงเล็บเมื่อสามารถใช้ได้

การคำนวณตัวเลขและเครื่องคิดเลข

เครื่องคำนวณที่ดีมีเครื่องคำนวณตัวเลขที่มีนัยสำคัญของตัวเอง และจะคำนวณและคำนวณว่าตัวเลขที่มีนัยสำคัญมีจำนวนเท่าใด

ตัวดำเนินการและฟังก์ชันใดบ้างที่ได้รับการสนับสนุนโดยเครื่องคำนวณตัวเลขที่มีนัยสำคัญ

• ฟังก์ชันเลขคณิต เช่น การบวก (+), การลบ (-), การหาร (/ หรือ ÷), การคูณ (* หรือ x), เลขชี้กำลัง (^)
• สัญลักษณ์กลุ่ม เช่น ()
• ฟังก์ชั่นเช่น log n, ln n
• ค่าคงที่เช่น pi, e

คุณอาจชอบ: Technology Digging on Deep Data: A Real-World Global Treasure Hunt.

วิธีการใช้ Significant Figures Calculator เพื่อความถูกต้องของผลลัพธ์?

เมื่อคำนวณเครื่องคำนวณเลขนัยสำคัญในบางครั้ง ข้อมูลผลลัพธ์จะไม่ถูกต้อง ดังนั้น เพื่อให้ข้อมูลมีความแม่นยำมากขึ้น ให้ใส่ # ต่อท้ายตัวเลข ตัวอย่างเช่น 6.24#

 ตัวอย่าง: 10.00698 ÷ 13.6 = 0.736 (ตัวเลขสำคัญคือ 3)

 10.00698 ÷ 13.6# = 0.7358074 (ตัวเลขสำคัญคือ 7)

การต่อท้ายสัญลักษณ์ # ที่ส่วนท้ายของตัวเลขจะให้ผลลัพธ์ที่แม่นยำมากกว่าการใส่ตัวเลข ตัวเลขที่มีนัยสำคัญเป็นเพียงวิธีหนึ่งที่จะทำให้การวัดและการคำนวณมีความแม่นยำมากขึ้น เมื่อใช้กฎข้างต้นในการคำนวณตัวเลขที่มีนัยสำคัญ ผู้ใช้จะได้ผลลัพธ์ที่แม่นยำยิ่งขึ้น ใช้ได้กับการคำนวณทางวิทยาศาสตร์ทุกสาขา และมีผลกระทบโดยตรงต่อการประเมินข้อมูลทางวิทยาศาสตร์