Sadržaj
Kad izvodite eksperiment koji daje niz promatranih vrijednosti koje želite usporediti s teorijskim vrijednostima, the korijen-srednja kvadratna devijacija (RMSD) ili pogreška korijena srednje vrijednosti (RMSE) omogućuje kvantificiranje ove usporedbe. RMSD izračunavate pronalaženjem kvadratnog korijena srednje kvadratne pogreške.
Formula RMSD
Za niz opažanja izračunajte srednju kvadratnu grešku pronalaženjem razlike između svake eksperimentalne ili promatrane vrijednosti i teorijske ili predviđene vrijednosti, poredite svaku razliku, zbrojite ih i podijelite s brojem promatranih vrijednosti ili predviđenih vrijednosti koje postoje ,
Zbog toga je RMSD formula:
{RMSD} = sqrt { frac { sum (x_e - x_o) ^ 2} {n}}za xe očekivane vrijednosti, xo promatrane vrijednosti i n ukupan broj vrijednosti.
Ova metoda pronalaženja razlike (ili odstupanja), uspoređuje svaku razliku, zbraja ih i dijeli s brojem podatkovnih točaka (kao što biste željeli kad biste pronašli prosjek skupa podataka), a zatim uzimanje kvadratnog korijena rezultata je što količini daje naziv, "odstupanje od korijenske srednje vrijednosti". Možete koristiti korak-po-korak kao što je ovaj za izračun RMSD-a u Excelu, što je odlično za velike skupove podataka.
Standardno odstupanje
Standardno odstupanje mjeri koliko niz podataka varira unutar sebe. Možete izračunati pomoću (Σ (x - μ)2 / n)1/2 za svaku vrijednost x za n vrijednosti s μ ("mu") prosjek. Primijetite da je ovo ista formula za RMSD, ali umjesto očekivanih i promatranih vrijednosti podataka, koristite sami vrijednost podataka i prosjek skupa podataka. Upotrebom ovog opisa možete usporediti grešku srednje vrijednosti korijena s standardnom devijacijom.
To znači da, iako ima formulu sličnu strukturu kao RMSD, standardno odstupanje mjeri specifični hipotetički eksperimentalni scenarij u kojem su očekivane vrijednosti prosječni u skupu podataka.
U ovom hipotetičkom scenariju količina unutar korijena kvadrata (Σ (x - μ)2 / n) se zove varijacija, kako se podaci distribuiraju oko srednje vrijednosti. Određivanje varijance omogućuje vam da usporedite skup podataka s određenim distribucijama za koje biste očekivali da će se podaci uzeti na temelju prethodnog znanja.
Što vam kaže RMSD
RMSD daje specifičan, unificirani način određivanja kako se pogreške u tome kako se predviđene vrijednosti razlikuju od promatranih vrijednosti za eksperimente. Niži je RMSD, točniji su eksperimentalni rezultati prema teorijskim predviđanjima. Omogućuju vam da kvantificirate kako različiti izvori pogrešaka utječu na promatrane eksperimentalne rezultate, poput otpora zraka koji utječe na oscilaciju klatna ili površinsku napetost između tekućine i spremnika i sprječava da teče.
Možete dalje osigurati da RMSD odražava raspon skupa podataka tako što ćete ga podijeliti s razlikom između maksimalne promatrane eksperimentalne vrijednosti i minimalne za dobivanje normalizirano korijensko-srednje kvadratno odstupanje ili pogreške.
U području molekularnog povezivanja, u kojem istraživači uspoređuju teorijsku računalno generiranu strukturu biomolekula s onima iz eksperimentalnih rezultata, RMSD može mjeriti koliko usko eksperimentalni rezultati odražavaju teorijske modele. Što su više eksperimentalni rezultati u stanju reproducirati ono što teorijski modeli predviđaju, niži je RMSD.
RMSD u praktičnim postavkama
Uz primjer molekularnog pristajanja, meteorolozi koriste RMSD kako bi utvrdili koliko precizno matematički modeli klime predviđaju atmosferske pojave. Bioinformatičari, znanstvenici koji proučavaju biologiju računalno utemeljenim sredstvima, određuju kako se udaljenosti između atomskih položaja proteinskih molekula razlikuju od prosječne udaljenosti tih atoma u proteinima koristeći RMSD kao mjeru točnosti.
Ekonomisti koriste RMSD kako bi utvrdili koliko se ekonomski modeli podudaraju s mjerenim ili promatranim rezultatima ekonomske aktivnosti. Psiholozi koriste RMSD za usporedbu promatranog ponašanja psiholoških ili psiholoških fenomena s računalnim modelima.
Neuroznanstvenici ga koriste kako bi utvrdili kako se umjetni ili biološki sustavi mogu učiti u usporedbi s modelima učenja. Računalski znanstvenici koji proučavaju slike i vid uspoređuju performanse koliko dobar model može rekonstruirati slike na izvorne slike različitim metodama.