विषय
जब आप एक ऐसा प्रयोग करते हैं जो अवलोकन मूल्यों की एक श्रृंखला देता है जिसे आप सैद्धांतिक मूल्यों के खिलाफ तुलना करना चाहते हैं, रूट-माध्य-वर्ग विचलन (RMSD) या रूट-मीन-स्क्वायर त्रुटि (RMSE) आपको इस तुलना को निर्धारित करने देती है। आप माध्य वर्ग त्रुटि का वर्गमूल ज्ञात करके RMSD की गणना करते हैं।
आरएमएसडी फॉर्मूला
टिप्पणियों की एक श्रृंखला के लिए, आप प्रत्येक प्रायोगिक या प्रेक्षित मूल्य और सैद्धांतिक या अनुमानित मूल्य के बीच का अंतर ज्ञात करके, प्रत्येक अंतर को चुकता करते हुए, उन्हें जोड़ते हुए और उन्हें देखे गए मानों या अनुमानित मानों की संख्या से विभाजित करके औसत वर्ग त्रुटि की गणना करते हैं। ।
यह RMSD सूत्र बनाता है:
{RMSD} = sqrt { frac { _ sum (x_e - x_o) ^ 2} {n}}के लिये एक्सइ अपेक्षित मूल्य, एक्सओ देखे गए मूल्य, और n मूल्यों की कुल संख्या।
अंतर (या विचलन) खोजने की यह विधि, प्रत्येक अंतर को चुकता करती है, उन्हें समेटती है और डेटा बिंदुओं की संख्या से विभाजित करती है (जैसा कि जब आप डेटा के सेट का औसत पाते हैं), तो परिणाम का वर्गमूल लेना है। मात्रा को इसका नाम क्या देता है, "रूट-मीन-स्क्वायर विचलन।" आप एक्सेल में RMSD की गणना करने के लिए इस तरह के चरण-दर-चरण दृष्टिकोण का उपयोग कर सकते हैं, जो बड़े डेटा सेटों के लिए महान है।
मानक विचलन
मानक विचलन यह मापता है कि डेटा का एक सेट अपने भीतर कितना भिन्न होता है। आप इसका उपयोग करके गणना कर सकते हैं ((एक्स - μ)2 / n)1/2 प्रत्येक मूल्य के लिए एक्स के लिये n मूल्यों के साथ μ ("म्यू") औसत। ध्यान दें कि यह RMSD के लिए एक ही सूत्र है लेकिन, अपेक्षित और देखे गए डेटा मानों के बजाय, आप क्रमशः डेटा मान और डेटा के सेट के औसत का उपयोग करते हैं। इस विवरण का उपयोग करके, आप रूट माध्य वर्ग त्रुटि बनाम मानक विचलन की तुलना कर सकते हैं।
इसका मतलब यह है कि, हालांकि यह RMSD के समान संरचना के साथ एक सूत्र है, मानक विचलन एक विशिष्ट काल्पनिक प्रयोगात्मक परिदृश्य को मापता है जिसमें अपेक्षित मान सभी डेटा सेट के औसत होते हैं।
इस काल्पनिक परिदृश्य में, वर्गमूल के अंदर की मात्रा (scenario)एक्स - μ)2 / n) कहा जाता है झगड़ा, कैसे माध्य के आसपास डेटा वितरित किया जाता है। विचरण का निर्धारण करने से आप उन डेटा सेटों की तुलना विशिष्ट वितरणों से कर सकते हैं, जिनसे आपको डेटा पूर्व ज्ञान के आधार पर लेने की उम्मीद होगी।
आरएमएसडी आपको बताता है
RMSD यह निर्धारित करने का एक विशिष्ट, एकीकृत तरीका देता है कि प्रयोगों के लिए देखे गए मानों से कितनी भिन्नता है। आरएमएसडी जितना कम होगा, सैद्धांतिक अनुमानों के लिए उतने ही सटीक प्रयोगात्मक परिणाम होंगे। वे आपको निर्धारित करते हैं कि त्रुटि के विभिन्न स्रोत किस प्रकार देखे गए प्रायोगिक परिणामों को प्रभावित करते हैं, जैसे कि एक तरल पदार्थ और उसके कंटेनर के बीच हवा के पेंडुलम के दोलन या सतह के तनाव को प्रभावित करने वाले प्रतिरोध इसे बहने से रोकते हैं।
आप आगे यह सुनिश्चित कर सकते हैं कि RMSD अधिकतम देखे गए प्रयोगात्मक मूल्य और प्राप्त करने के लिए न्यूनतम के बीच के अंतर से डेटा के सेट की सीमा को दर्शाता है। सामान्यीकृत रूट-माध्य-वर्ग विचलन या त्रुटि।
आणविक डॉकिंग के क्षेत्र में, जिसमें शोधकर्ता प्रयोगात्मक परिणामों से उन लोगों के लिए बायोमोलेक्यूलस के सैद्धांतिक कंप्यूटर-जनरेटेड संरचना की तुलना करते हैं, आरएमएसडी यह माप सकते हैं कि कैसे प्रयोगात्मक परिणाम सैद्धांतिक मॉडल को दर्शाते हैं। अधिक प्रयोगात्मक परिणाम सैद्धांतिक मॉडल की भविष्यवाणी करने में सक्षम हैं, आरएमएसडी जितना कम होगा।
RMSD प्रैक्टिकल सेटिंग्स में
आणविक डॉकिंग के उदाहरण के अलावा, मौसम विज्ञानी आरएमएसडी का उपयोग यह निर्धारित करने के लिए करते हैं कि जलवायु के गणितीय मॉडल वायुमंडलीय घटनाओं की भविष्यवाणी कैसे करते हैं। जैव सूचना विज्ञानियों, जो वैज्ञानिक कंप्यूटर-आधारित साधनों के माध्यम से जीव विज्ञान का अध्ययन करते हैं, यह निर्धारित करते हैं कि प्रोटीन अणुओं के परमाणु पदों के बीच की दूरी सटीकता के माप के रूप में आरएमएसडी का उपयोग करके प्रोटीन में उन परमाणुओं की औसत दूरी से कैसे भिन्न होती है।
अर्थशास्त्री RMSD का उपयोग यह पता लगाने के लिए करते हैं कि आर्थिक गतिविधि के परिणामों को कितनी बारीकी से मापा या देखा गया है। मनोवैज्ञानिक मनोवैज्ञानिक या मनोविज्ञान आधारित घटना के कम्प्यूटेशनल मॉडल की तुलना में व्यवहार की तुलना करने के लिए मनोवैज्ञानिक आरएमएसडी का उपयोग करते हैं।
न्यूरोसाइंटिस्ट यह निर्धारित करने के लिए उपयोग करते हैं कि सीखने के मॉडल की तुलना में कृत्रिम या जैविक-आधारित सिस्टम कैसे सीख सकते हैं। इमेजिंग और दृष्टि का अध्ययन करने वाले कंप्यूटर वैज्ञानिक प्रदर्शन की तुलना करते हैं कि एक मॉडल विभिन्न तरीकों के माध्यम से छवियों को मूल छवियों में कैसे फिर से संगठित कर सकता है।