Vsebina
Ko izvedete poskus, ki daje niz opazovanih vrednosti, ki jih želite primerjati s teoretičnimi vrednostmi, je odklon koren-srednji kvadrat (RMSD) ali napaka s srednjo-kvadratnim kvadratom (RMSE) vam omogoča količinsko opredelitev te primerjave. RMSD izračunate tako, da najdete kvadratni koren srednje kvadratne napake.
Formula RMSD
Za niz opazovanj izračunate povprečno kvadratno napako tako, da ugotovite razliko med vsako eksperimentalno ali opaženo vrednostjo in teoretično ali predvideno vrednostjo, vsako razliko razvrstite, jih seštejete in delite s številom opazovanih vrednosti ali predvidenih vrednosti .
Zaradi tega je formula RMSD:
{RMSD} = sqrt { frac { sum (x_e - x_o) ^ 2} {n}}za xe pričakovane vrednosti, xo opažene vrednosti in n skupno število vrednosti.
Ta metoda iskanja razlike (ali odstopanja), razvrščanje vsake razlike, njihovo seštevanje in deljenje s številom podatkovnih točk (kot bi našli pri iskanju povprečja nabora podatkov), nato pa vzamemo kvadratni koren rezultata kar količini daje ime, "odklon od srednjega-kvadratnega odstopanja." Takšen korak po koraku lahko uporabite za izračun RMSD v Excelu, kar je super za velike nabore podatkov.
Standardni odklon
Standardni odklon meri, koliko se nabor podatkov spreminja znotraj samega sebe. Izračunate ga lahko s pomočjo (Σ (x - μ)2 / n)1/2 za vsako vrednost x za n vrednosti s μ ("mu") povprečje. Opazite, da gre za isto formulo za RMSD, vendar namesto pričakovanih in opazovanih vrednosti podatkov uporabite samo podatkovno vrednost in povprečje nabora podatkov. S tem opisom lahko primerjate korensko povprečno kvadratno napako in standardni odklon.
To pomeni, da čeprav ima formulo s podobno strukturo kot RMSD, standardni odmik meri specifičen hipotetični eksperimentalni scenarij, v katerem so pričakovane vrednosti vse povprečje nabora podatkov.
V tem hipotetičnem scenariju je količina znotraj kvadratnega korena (Σ (x - μ)2 / n) se imenuje variance, kako se podatki porazdelijo okoli povprečja. Z določitvijo odstopanja lahko primerjate nabor podatkov s posebnimi distribucijami, za katere pričakujete, da bodo podatki sprejeli na podlagi predhodnega znanja.
Kaj vam sporoča RMSD
RMSD daje poseben, poenoten način za določanje, kako se napake med tem, kako se predvidene vrednosti razlikujejo od opazovanih vrednosti za poskuse. Nižji kot je RMSD, bolj natančni so eksperimentalni rezultati glede na teoretične napovedi. Omogočajo vam količinsko določitev, kako različni viri napak vplivajo na opažene eksperimentalne rezultate, na primer zračni upor, ki vpliva na nihanje nihala ali površinsko napetost med tekočino in vsebnikom, ki preprečuje, da bi tekel.
Nadalje lahko zagotovite, da RMSD odraža obseg nabora podatkov, tako da ga razdelite na razliko med največjo opaženo eksperimentalno vrednostjo in minimumom, da dobite vrednost normaliziran odklon od srednje-kvadratnega odstopanja ali napaka.
Na področju molekularnega povezovanja, na katerem raziskovalci primerjajo teoretično računalniško ustvarjeno strukturo biomolekul s tistimi iz eksperimentalnih rezultatov, lahko RMSD izmeri, kako natančno eksperimentalni rezultati odražajo teoretične modele. Bolj kot lahko eksperimentalni rezultati reproducirajo tiste, kar predvidevajo teoretični modeli, manjši je RMSD.
RMSD v praktičnih nastavitvah
Poleg primera priklapljanja molekul meteorologi uporabljajo RMSD za določitev, kako natančno matematični modeli podnebja napovedujejo atmosferske pojave. Bioinformatiki, znanstveniki, ki preučujejo biologijo s pomočjo računalniških sredstev, določajo, kako se razdalje med atomskimi položaji beljakovinskih molekul razlikujejo od povprečne razdalje teh atomov v beljakovinah z uporabo RMSD kot merilo natančnosti.
Ekonomisti uporabljajo RMSD, da ugotovijo, kako tesno ekonomski modeli ustrezajo izmerjenim ali opazovanim rezultatom gospodarske dejavnosti. Psihologi uporabljajo RMSD za primerjavo opazovanega vedenja psiholoških ali psiholoških pojavov z računskimi modeli.
Nevroznanstveniki ga uporabljajo za določitev, kako se lahko umetni ali biološki sistemi učijo v primerjavi z modeli učenja. Računalniki, ki preučujejo slikanje in vid, primerjajo uspešnost, kako dobro lahko model rekonstruira slike z originalnimi slikami z različnimi metodami.