Statistisk fejlanalyse (standardafvigelse)

Fysik/kemi · 10. klasse · Undersøgelse

Statistisk fejlanalyse — hvor pålidelige er dine målinger?

Ingen måling er perfekt. Fejlanalyse er kunstart i at kvantificere usikkerhed og udtrykke det troværdigt.

Typer af fejl

Systematiske fejl (bias):

• Samme fejl hver gang (i samme retning)
• Skyldes fx: ikke-kalibreret udstyr, forkert procedure
• Påvirker nøjagtighed (accuracy)
• Kan IKKE reduceres ved gentagelse
• Eksempel: termometer der læser 1°C for højt

Tilfældige fejl (random):

• Varierer fra måling til måling
• Skyldes fx: reaktionstid, støj, termisk drift
• Påvirker præcision
• Kan reduceres ved gentagelse (√n-forbedring!)
• Eksempel: aflæsnings-unøjagtighed

Nøjagtighed vs. præcision

Tænk på et skydeskive:

• Nøjagtig + præcis: alle skud nær centrum, tæt sammen ✅
• Nøjagtig + upræcis: skud centreret men spredte
• Unøjagtig + præcis: tæt klynge, men langt fra midten (systematisk bias)
• Unøjagtig + upræcis: skud spredt alle steder

Standardafvigelse (σ, sigma)

σ = √(Σ(xᵢ - x̄)² / (n-1))

Mål for spredning af data omkring gennemsnittet.

• 68% af data ligger inden for ±1σ
• 95% af data ligger inden for ±2σ
• 99,7% af data ligger inden for ±3σ

(gælder for normalfordelte data — "klokkeformet" kurve)

Eksempel: Pendul-målinger

10 målinger af g:

| Måling | g (m/s²) | (g - gennemsnit)² |

|--------|----------|---------------------|

| 1 | 9,78 | 0,0004 |

| 2 | 9,85 | 0,0025 |

| 3 | 9,80 | 0 |

| 4 | 9,75 | 0,0025 |

| 5 | 9,83 | 0,0009 |

| 6 | 9,79 | 0,0001 |

| 7 | 9,82 | 0,0004 |

| 8 | 9,74 | 0,0036 |

| 9 | 9,87 | 0,0049 |

| 10 | 9,77 | 0,0009 |

Gennemsnit: x̄ = 9,80 m/s²

Varians: σ² = Σ(xᵢ - x̄)² / (n-1) = 0,0162/9 = 0,0018

Standardafvigelse: σ = √0,0018 = 0,042 m/s²

Konklusion: g = 9,80 ± 0,04 m/s² (2 betydende cifre i usikkerhed)

Usikkerhedsforplantning (propagation)

Hvis y = f(x, z, ...) og x, z har usikkerheder σx, σz:

Addition/subtraktion: σy = √(σx² + σz²)

Multiplikation/division: σy/y = √((σx/x)² + (σz/z)²)

Eksempel: densitetsmåling

ρ = m/V

• Masse: m = 100 ± 1 g (σm/m = 1%)
• Volumen: V = 50 ± 0,5 mL (σV/V = 1%)

σρ/ρ = √(1² + 1²) = √2 ≈ 1,4%

→ ρ = 2,0 ± 0,03 g/mL

Konfidensinterval

95%-konfidensinterval: den sande værdi ligger med 95% sandsynlighed i intervallet.

For normalfordelt data:

x̄ ± 1,96 · σ/√n

Jo flere målinger (større n), jo smallere interval.

Tjek for outliers

Chauvenet's kriterium: en måling er en outlier hvis den ligger mere end 3σ fra gennemsnittet — overvej at kassere den (men altid dokumentér).

Excel-funktioner

• =GENNEMSNIT(A1:A10) — gennemsnit
• =STDAFV(A1:A10) — standardafvigelse (sample)
• =STDAFVP(A1:A10) — standardafvigelse (population)
• =MEDIAN(A1:A10) — median
• =CONFIDENCE.NORM(0,05, stdev, n) — 95% konfidensinterval

Signifikante cifre og afrunding

Regler:

• Sidste signifikant ciffer i resultat = sidste signifikant ciffer i mindst præcis input
• Usikkerhed: 1-2 signifikante cifre

Eksempel:

• 9,7823 m/s² med σ = 0,042 → udtrykkes som 9,78 ± 0,04 m/s² (2 dec)
• IKKE 9,7823 ± 0,0418 m/s² (for mange cifre — falsk præcision)

Praktiske tips

1. Gentag målinger — mindst 5, helst 10+

2. Brug samme udstyr — konsistens vigtigere end små forbedringer

3. Dokumenter alt — enhver ændring i procedure

4. Kalibrér udstyr før brug

5. Tjek for systematiske fejl — brug referencestoffer

Læringsmål

• Skelne systematiske fra tilfældige fejl
• Beregne gennemsnit og standardafvigelse
• Anvende standardafvigelsen til at angive måleusikkerhed
• Forplante usikkerhed gennem beregninger
• Afgøre konfidensinterval for målingen
• Bruge signifikante cifre konsekvent i resultater

Projekt: Fuld statistisk analyse

Udfør et forsøg mindst 10 gange (fx pendul, Ohms lov, termokemi). Beregn: gennemsnit, σ, 95%-CI. Lav histogram — er fordelingen normal? Sammenlign med teoretisk forventning — er du inden for usikkerhed?

Udvidet: identificer potentielle systematiske fejl. Hvordan ville du kunne afkræfte eller bekræfte dem? Design et opfølgningseksperiment.

Brobygning: Statistisk analyse er fundamental i ALL moderne videnskab. På STX matematik A og fysik A øges kravene til usikkerhedsanalyse. Python, R, MATLAB er industri-værktøjer. Karriereveje: data scientist, statistiker, forsker, kvalitetskontrol-ingeniør.