Isi
Saat Anda melakukan percobaan yang memberikan serangkaian nilai yang diamati yang ingin Anda bandingkan dengan nilai teoritis, the deviasi root-mean-square (RMSD) atau root-mean-square error (RMSE) memungkinkan Anda mengukur perbandingan ini. Anda menghitung RMSD dengan menemukan akar kuadrat dari galat kuadrat rata-rata.
Formula RMSD
Untuk serangkaian pengamatan, Anda menghitung rata-rata kesalahan kuadrat dengan menemukan perbedaan antara setiap nilai eksperimental atau yang diamati dan nilai teoretis atau prediksi, mengkuadratkan setiap perbedaan, menjumlahkannya, dan membaginya dengan jumlah nilai yang diamati atau nilai prediksi yang ada. .
Ini membuat rumus RMSD:
{RMSD} = sqrt { frac { sum (x_e - x_o) ^ 2} {n}}untuk xe nilai yang diharapkan, xHai nilai yang diamati, dan n jumlah total nilai.
Metode menemukan perbedaan (atau penyimpangan) ini, mengkuadratkan setiap perbedaan, menjumlahkannya dan membaginya dengan jumlah titik data (seperti yang Anda lakukan ketika menemukan rata-rata sekumpulan data), kemudian mengambil akar kuadrat dari hasilnya adalah apa yang memberi kuantitas namanya, "deviasi root-mean-square." Anda bisa menggunakan pendekatan langkah demi langkah seperti ini untuk menghitung RMSD di Excel, yang bagus untuk set data besar.
Standar deviasi
Simpangan baku mengukur seberapa banyak set data bervariasi dalam dirinya sendiri. Anda dapat menghitungnya menggunakan (Σ (x - μ)2 / n)1/2 untuk setiap nilai x untuk n nilai dengan μ ("mu") rata-rata. Perhatikan bahwa ini adalah rumus yang sama untuk RMSD tetapi, alih-alih nilai data yang diharapkan dan diamati, Anda menggunakan nilai data itu sendiri dan rata-rata set data, masing-masing. Menggunakan deskripsi ini, Anda dapat membandingkan root mean square error vs standar deviasi.
Ini berarti bahwa, meskipun memiliki formula dengan struktur yang mirip dengan RMSD, standar deviasi mengukur skenario eksperimental hipotetis tertentu di mana nilai yang diharapkan adalah semua rata-rata dari kumpulan data.
Dalam skenario hipotetis ini, kuantitas di dalam akar kuadrat (Σ (x - μ)2 / n) disebut perbedaan, bagaimana data didistribusikan di sekitar rata-rata. Menentukan varians memungkinkan Anda membandingkan kumpulan data dengan distribusi tertentu yang Anda harapkan akan diambil berdasarkan pengetahuan sebelumnya.
Apa RMSD Memberitahu Anda
RMSD memberikan cara spesifik dan terpadu untuk menentukan bagaimana kesalahan tentang bagaimana nilai prediksi berbeda dari nilai yang diamati untuk eksperimen. Semakin rendah RMSD, semakin akurat hasil eksperimen dengan prediksi teoretis. Mereka membiarkan Anda mengukur bagaimana berbagai sumber kesalahan mempengaruhi hasil eksperimen yang diamati, seperti hambatan udara yang mempengaruhi osilasi pendulum atau tegangan permukaan antara cairan dan wadahnya yang mencegahnya mengalir.
Anda selanjutnya dapat memastikan bahwa RMSD mencerminkan rentang set data dengan membaginya dengan perbedaan antara nilai eksperimental maksimum yang diamati dan minimum untuk mendapatkan deviasi root-mean-square dinormalisasi atau kesalahan.
Dalam bidang docking molekuler, di mana para peneliti membandingkan struktur biomolekul yang dihasilkan komputer dengan yang dari hasil eksperimen, RMSD dapat mengukur seberapa dekat hasil eksperimen mencerminkan model teoritis. Semakin banyak hasil eksperimen yang dapat mereproduksi apa yang diprediksi oleh model teoritis, semakin rendah RMSD.
RMSD dalam Pengaturan Praktis
Selain contoh docking molekuler, ahli meteorologi menggunakan RMSD untuk menentukan seberapa dekat model matematika dari iklim memprediksi fenomena atmosfer. Bioinformatika, ilmuwan yang mempelajari biologi melalui cara berbasis komputer, menentukan bagaimana jarak antara posisi atom molekul protein berbeda dari jarak rata-rata atom dalam protein menggunakan RMSD sebagai ukuran akurasi.
Ekonom menggunakan RMSD untuk mencari tahu seberapa dekat model ekonomi cocok diukur atau diamati hasil kegiatan ekonomi. Psikolog menggunakan RMSD untuk membandingkan perilaku yang diamati dari fenomena psikologis atau berbasis psikologi dengan model komputasi.
Ahli saraf menggunakannya untuk menentukan bagaimana sistem buatan atau berbasis biologis dapat belajar bila dibandingkan dengan model pembelajaran. Ilmuwan komputer yang mempelajari pencitraan dan penglihatan membandingkan kinerja seberapa baik suatu model dapat merekonstruksi gambar ke gambar asli melalui metode yang berbeda.