Dette skal du lære

• Skille mellom kvalitative og kvantitative data, og mellom rådata og bearbeidede data.
• Forklare hvorfor gjentatte målinger gir informasjon om datakvalitet.
• Skille mellom nøyaktighet og presisjon.
• Forklare hvorfor alle målinger har en viss usikkerhet.
• Skille mellom tilfeldige og systematiske feil.
• Vurdere hvordan feilkilder og avvik påvirker hvor sterke konklusjoner vi kan trekke.

1. Data er forbindelsen mellom forsøket og konklusjonen

Data er informasjonen vi faktisk samler inn. Det kan være tall, som temperatur, tid og masse, eller observasjoner, som fargeendring, lukt, utfelling eller at det dannes gass. Det er først når slike data er registrert systematisk at vi kan begynne å vurdere om forsøket støtter en bestemt forklaring.

Når en måling skrives ned direkte under forsøket, er den en del av rådataene. Beregner vi senere gjennomsnitt, prosentvis endring eller en annen størrelse, lager vi bearbeidede data. Bearbeiding kan gjøre mønstre tydeligere, men den kan også skjule informasjon. Et gjennomsnitt sier for eksempel ikke alene om alle målingene lå tett, eller om én verdi lå langt fra resten.

2. Resultater må registreres før de tolkes

Det er fristende å se etter det resultatet man forventet. Derfor er det viktig å skille mellom registrering og tolkning. Først skal dataene skrives ned slik de faktisk ble målt. Deretter kan vi undersøke om de danner et mønster og hva dette mønsteret kan bety.

Ved 20 °C og 40 °C ligger de tre målingene tett. Ved 60 °C skiller 76 s seg tydelig fra de to andre. Allerede før vi forklarer hvorfor, forteller dette oss noe viktig om datakvaliteten: målingene ved 60 °C er mindre konsistente.

3. Gjentakelser forteller noe om hvor stabile målingene er

En enkelt måling kan være påvirket av små tilfeldige forhold. Kanskje stoppeklokka ble startet litt tidlig, eller avlesningen ble gjort fra en litt annen vinkel. Når vi gjentar målingen under samme betingelser, kan vi se hvor mye resultatene varierer. NIST bruker begrepet repeterbarhet om hvor godt gjentatte målinger stemmer overens når målebetingelsene holdes like. ²

Gjennomsnittet gir én verdi som oppsummerer flere målinger. Men gjennomsnittet kan ikke erstatte rådataene. To datasett kan ha samme gjennomsnitt selv om det ene består av tre nesten like målinger og det andre av tre svært forskjellige målinger.

4. Nøyaktighet og presisjon er ikke det samme

To måleserier kan se «gode» ut på forskjellige måter. Presisjon handler om hvor tett gjentatte målinger ligger. Nøyaktighet handler om hvor nær måleresultatet ligger verdien vi forsøker å bestemme. ²

Det siste tilfellet kan for eksempel oppstå dersom et instrument er feilkalibrert. Da kan målingene være svært like hverandre, men likevel systematisk feil. Dette viser hvorfor mange gjentakelser ikke automatisk garanterer at resultatet er riktig.

5. Alle målinger har en viss usikkerhet

Når vi skriver 25 mL, 25,0 mL eller 25,00 mL, sier antall siffer noe om hvor detaljert målingen er oppgitt. Men et instrument kan bare skille mellom verdier så fint som skalaen eller sensoren tillater. Derfor finnes det alltid en viss måleusikkerhet.

Dette betyr ikke at alle målinger er «upålitelige». Usikkerhet er en normal del av måling. Det viktige er at vi ikke later som instrumentet kan gi mer informasjon enn det faktisk kan. Derfor bør vi heller ikke rapportere flere desimaler enn måleutstyret gir grunnlag for.

Royal Society of Chemistry bruker ± halvparten av den minste inndelingen som en vanlig undervisningsregel for analoge instrumenter, og omtrent instrumentets oppløsning for digitale instrumenter. I virkelig målevitenskap kan total usikkerhet være mer komplisert fordi flere forhold kan bidra. ³

6. Feilkilder påvirker data på ulike måter

I skoleforsøk brukes ordet feilkilde om forhold som kan påvirke målingene eller resultatet. Men det er viktig å være konkret. «Menneskelig feil» forteller nesten ingenting. «Stoppeklokka kan ha blitt startet litt sent» forteller både hva som skjedde og hvilken vei resultatet kan ha blitt påvirket.

Forskjellen er viktig fordi de to typene feil oppfører seg forskjellig. Flere gjentakelser kan gjøre tilfeldig variasjon lettere å oppdage og kan gi et bedre estimat av gjennomsnittet. Men hvis alle målinger forskyves av samme systematiske feil, hjelper det ikke nødvendigvis å måle hundre ganger. ²

7. Avvikende datapunkter kan være feil – eller viktig informasjon

Et datapunkt som skiller seg tydelig fra resten kalles ofte en utligger. Det er fristende å fjerne det, men det kan være faglig risikabelt. Et avvik kan skyldes en konkret feil, vanlig tilfeldig variasjon eller noe reelt ved fenomenet.

NIST påpeker at et avvik ikke automatisk er «dårlige data». Hvis det finnes en dokumentert hendelse som forklarer målingen, kan det være faglig begrunnet å behandle den annerledes. Men da må begrunnelsen komme tydelig fram. ⁴

8. Grafer hjelper oss å se sammenhenger – men de må tolkes

En graf kan gjøre mønstre tydeligere enn en tabell, men grafen er fortsatt bare en framstilling av dataene. Den kan ikke i seg selv forklare hvorfor sammenhengen finnes. Hvis tiden synker når temperaturen øker, ser vi en sammenheng i dataene. Forklaringen på hvorfor kommer først når resultatet kobles til naturfaglig teori.

Valg av diagramtype påvirker også hvor lett mønsteret blir å se. Kategorier passer ofte godt i søylediagram, mens tallverdier langs en kontinuerlig skala ofte passer bedre som punkter eller linjer.

9. Resultatdelen skal beskrive – diskusjonen skal forklare

I en forsøksrapport er det nyttig å skille mellom hva dataene viser og hvordan de tolkes. Resultatdelen bør derfor være nøktern: tabeller, grafer, observasjoner og korte beskrivelser av tydelige mønstre. I diskusjonen kan resultatene kobles til teori, hypotese, feilkilder og alternative forklaringer.

Denne forskjellen er viktig fordi den gjør rapporten mer etterprøvbar. Leseren kan først se hva som faktisk ble målt, og deretter vurdere om forklaringen du gir er rimelig.

Oppsummering

Prøv selv

Begreper