Conţinut
Când efectuați un experiment care oferă o serie de valori observate pe care doriți să le comparați cu valorile teoretice, deviație rădăcină-medie-pătrat (RMSD) sau eroarea rădăcină-medie-pătrat (RMSE) vă permite să cuantificați această comparație. Calculați RMSD găsind rădăcina pătrată a erorii pătrate medii.
Formula RMSD
Pentru o serie de observații, calculați eroarea medie pătrată găsind diferența dintre fiecare valoare experimentală sau observată și valoarea teoretică sau prevăzută, pătratând fiecare diferență, adăugându-le și împărțindu-le la numărul de valori observate sau valori previzionate. .
Aceasta face formula RMSD:
{RMSD} = sqrt { frac { sum (x_e - x_o) ^ 2} {n}}pentru Xe valorile așteptate, Xo valori observate și n numărul total de valori.
Această metodă de a găsi o diferență (sau abatere), pătratarea fiecărei diferențe, însumarea lor și împărțirea la numărul de puncte de date (așa cum s-ar face atunci când găsiți media unui set de date), apoi luând rădăcina pătrată a rezultatului este ceea ce dă cantității numele său, „rădăcină rădăcină-medie-pătrat”. Puteți utiliza o abordare pas cu pas de acest fel pentru a calcula RMSD în Excel, lucru excelent pentru seturile de date mari.
Deviație standard
Deviație standard măsoară cât de mult variază un set de date în sine. Puteți calcula folosind (Σ (X - μ)2 / n)1/2 pentru fiecare valoare X pentru n valori cu μ („mu”) medie. Observați că aceasta este aceeași formulă pentru RMSD, dar, în loc de valorile de date preconizate și observate, utilizați valoarea în sine și, respectiv, media setului de date. Folosind această descriere, puteți compara eroarea medie a pătratului cu abaterea standard.
Aceasta înseamnă că, deși are o formulă cu o structură similară cu RMSD, abaterea standard măsoară un scenariu experimental ipotetic specific în care valorile așteptate sunt toate media setului de date.
În acest scenariu ipotetic, cantitatea din rădăcina pătrată (Σ (X - μ)2 / n) se numește variație, modul în care datele sunt distribuite în jurul mediei. Determinarea variației vă permite să comparați setul de date cu distribuții specifice pe care v-ați aștepta ca datele să le ia pe baza cunoștințelor anterioare.
Ce vă spune RMSD
RMSD oferă un mod specific, unificat, de a determina modul în care erorile valorilor prezise diferă de valorile observate pentru experimente. Cu cât RMSD este mai mic, cu atât rezultatele experimentale sunt mai precise cu privire la predicțiile teoretice. Acestea vă permit să cuantificați cum diverse surse de eroare afectează rezultatele experimentale observate, cum ar fi rezistența aerului care afectează o oscilație a pendulelor sau tensiunea de suprafață între un fluid și recipientul său, împiedicând-o să curgă.
Vă puteți asigura în plus că RMSD reflectă intervalul de date prin împărțirea acestora la diferența dintre valoarea experimentală maximă observată și minimul pentru a obține abatere normalizată rădăcină-medie-pătrată sau eroare.
În domeniul andocării moleculare, în care cercetătorii compară structura teoretică a biomoleculelor generată de computer cu cele din rezultatele experimentale, RMSD poate măsura cât de atent reflectă rezultatele experimentale ale modelelor teoretice. Cu cât rezultatele mai experimentale sunt capabile să reproducă ceea ce prezic modelele teoretice, cu atât este mai scăzut RMSD.
RMSD în setări practice
Pe lângă exemplul de andocare moleculară, meteorologii folosesc RMSD pentru a determina cât de atent modelele matematice ale climatului prezic fenomenele atmosferice. Bioinformaticienii, oamenii de știință care studiază biologia prin mijloace computerizate, determină modul în care distanțele dintre pozițiile atomice ale moleculelor de proteine variază de la distanța medie a acestor atomi în proteine folosind RMSD ca măsură de precizie.
Economiștii folosesc RMSD pentru a descoperi cât de îndeaproape se potrivesc modelele economice rezultate măsurate sau observate ale activității economice. Psihologii folosesc RMSD pentru a compara comportamentul observat al fenomenelor psihologice sau psihologice cu modele de calcul.
Neurologii îl folosesc pentru a determina modul în care sistemele artificiale sau biologice pot învăța în comparație cu modelele de învățare. Oamenii de informatică care studiază imagistica și viziunea compară performanța cât de bine un model poate reconstrui imaginile cu imaginile originale prin diferite metode.